Professional Documents
Culture Documents
2022 Dynamic Graph Neural Network For Fake News Detection
2022 Dynamic Graph Neural Network For Fake News Detection
هماهنگی و استحکام جامعه ما برساند .برای مقابله با اخبار جعلی ،پژوهشگران راهکارهای مختلفی برای
مقابله با اخبار جعلی پیشنهاد دادهاند .در سالهای اخیر ،تشخیص اخبار جعلی به عنوان محور تحقیقاتی در
جوامع علمی و صنعتی مطرح شده است .اکثر الگوریتمهای تشخیص اخبار جعلی مبتنی بر انتشار بر
اساس شبکههای استاتیک بوده و فرض میکنند که ساختار کامل شبکه انتشار اطالعات قبل از اجرای
الگوریتمهای تشخیص اخبار جعلی در دسترس است .با این حال ،شبکههای پخش اطالعات در دنیای
واقعی به صورت پویا هستند و با پیوستن گرههای جدید به شبکه و ایجاد لبههای جدید تغییر میکنند .برای
رفع این نقصانات ،ما یک روش تشخیص اخبار جعلی مبتنی بر گراف پخش پویا پیشنهاد دادیم تا اطالعات
پویش پویا را که در شبکههای استاتیک از بین میروند ،ضبط و اخبار جعلی را دستهبندی کند .به طور
خاص ،روش پیشنهادی هر گراف پخش خبر را به عنوان یک سری از نمونههای گرافی ضبط شده در
مراحل زمانی گسسته مدلسازی میکند .ما روی سه مجموعه داده پیشنهادی خود را ارزیابی کرده و نتایج
آزمایشها نشان میدهند که این مدل پیشنهادی عملکرد موثری دارد.
در این مقاله ،ما به مطالعه مسئله تشخیص اخبار جعلی مبتنی بر گراف پخش پویا میپردازیم .سهم ما
در معرفی یک روش تشخیص اخبار جعلی مبتنی بر DTDGبه نام DGNFاست که از ماژول سازگار با
ساختار و ماژول سازگار با زمان برای به طور صریح دریافت اطالعات زمانی و ساختار شبکه استفاده
میکند .به طور خاص ،با طراحی دو ماژول سازگار با زمان ،دو نسخه از DGNFبه نام DGNF-tsnو
DGNF-tcnرا نیز ارائه میدهیم .ما آزمایشهای گستردهای روی سه مجموعه داده عملیاتی انجام دادهایم و
نتایج شناسایی نشان میدهند که یکپارچهسازی اطالعات پخش زمانی و ساختار شبکه اخبار رسانههای
اجتماعی آنالین میتواند به تشخیص اخبار جعلی کمک کند تا پیشبینیهای دقیقتری انجام شود .در حالی
که کار ارائه شده در این مقاله بر روی مسئله تشخیص اخبار جعلی مبتنی بر گراف پخش پویا با زمان
گسسته و همگن تمرکز دارد ،در آینده ،خط تحقیقات تکمیلی میتواند بررسی و یکپارچهسازی پروفایل
کاربران رسانههای اجتماعی با استفاده از گرافهای پخش خبر پویا و زمانی ناهمگن را مورد مطالعه
قرار دهد.