Key points are not available for this paper at this time.
A detecção de Fake News atraiu muita atenção nos últimos anos. Métodos de detecção baseados no contexto social tentam modelar os padrões de propagação de fake news utilizando a sabedoria coletiva dos usuários nas mídias sociais. Essa tarefa é desafiadora por três razões: (1) Existem múltiplos tipos de entidades e relações no contexto social, exigindo métodos que modelam efetivamente a heterogeneidade. (2) O surgimento de notícias em tópicos novos nas mídias sociais causa mudanças de distribuição, o que pode degradar significativamente o desempenho dos detectores de fake news. (3) Conjuntos de dados existentes de fake news geralmente carecem de grande escala, diversidade de tópicos e relações sociais dos usuários, dificultando o desenvolvimento desse campo. Para resolver esses problemas, formulamos a detecção de fake news baseada em contexto social como um problema de classificação em um grafo heterogêneo, e propomos um modelo de detecção de fake news denominado Rede de Interação Pós-Usuário (PSIN), que adota uma estratégia de dividir e conquistar para modelar efetivamente as interações post-post, user-user e post-user no contexto social, mantendo suas características intrínsecas. Além disso, adotamos um discriminador de tópicos adversariais para aprendizado de características agnósticas a tópicos, a fim de melhorar a generalização do nosso método para tópicos emergentes. Além disso, curamos um novo conjunto de dados para detecção de fake news, que contém mais de 27.155 notícias de 5 tópicos, 5 milhões de postagens, 2 milhões de usuários e seu grafo social induzido com 0,2 bilhões de arestas. Foi publicado em https://github.com/qwerfdsaplking/MC-Fake. Experimentos extensivos ilustram que nosso método supera as bases de comparação SOTA tanto em configurações dentro do tópico quanto fora do tópico.
Min et al. (Mon,) estudaram essa questão.