图表示学习是2018年火爆全球的一个深度学习方向,从以 Line, meta-path 等为首的节点表示学习,到以 GCN,GraphSAGE,为首的图卷积方法,在到近期的以 GraphVAE 为首的生成图模型,图表示学习方向的文章如过江之鲫。

VIP内容

本文提出了一种新颖的图形化社会上下文表示和学习框架——事实新闻图(FANG),用于假新闻检测。与之前的上下文模型以表现为目标不同,我们关注的是表示学习。与直推模型相比,FANG在训练方面具有可扩展性,因为它不需要维护所有节点,而且在推理时高效,不需要重新处理整个图。我们的实验结果表明,与最新的图形和非图形模型相比,FANG更善于将社会上下文捕捉到高保真的表现中。特别值得一提的是,FANG在假新闻检测方面取得了显著的改进,并且在训练数据有限的情况下具有较强的鲁棒性。我们进一步证明,FANG所学的表示可推广到相关任务,如预测新闻媒体报道的真实性。

https://dl.acm.org/doi/10.1145/3340531.3412046

成为VIP会员查看完整内容
0
11
Top