采用对比提示重新定义的结构图预训练方法用于假新闻检测

《IEEE Transactions on Computational Social Systems》：A Structure Redefined Graph Pretraining With Contrastive Prompting for Fake News Detection

社交网络假新闻检测中，现有图神经网络方法依赖大量标注数据且预训练与下游任务目标不一致。本文提出RGCP框架，通过对比学习优化传播结构并统一优化目标，有效解决交互噪声和任务不匹配问题，在基准数据集上实现少样本分类10.15%的精度提升。

　　

摘要：

在社交媒体上检测虚假新闻对于净化网络环境和保护公共安全至关重要。许多现有方法通过图神经网络（GNNs）来探索新闻传播结构，以确定新闻的真实性。端到端的监督式GNNs通常依赖于大量的标签数据。最近，自监督图预训练成为一种有前景的解决方案，以减少对标签的依赖。然而，图预训练在虚假新闻检测中的应用仍然面临两个挑战：1) 新闻传播结构中缺失和不可靠的交互关系严重影响了预训练的效果；2) 由于优化目标不一致，预训练与下游虚假新闻检测任务之间存在固有的差距，这阻碍了预训练知识的有效迁移，导致检测结果不佳。为了解决上述两个挑战，我们提出了RGCP（Redefined Graph Pretraining with Contrastive Prompting）算法，这是一种用于虚假新闻检测的结构重构图预训练方法。具体来说，我们设计了一个传播结构优化模块，该模块根据自监督对比学习估计的帖子之间的连接概率，添加潜在的隐式交互关系并去除噪声交互关系。通过这种方式，重构后的结构提供了可靠的新闻传播模式，从而生成稳健的预训练新闻表示。此外，我们提出了一种基于对比学习模块的新型提示调整方法，将下游虚假新闻检测任务重新表述为与图对比预训练类似的形式，从而弥合了优化目标之间的差距。在基准数据集上的广泛实验表明，RGCP算法表现出色，在少样本分类任务中平均提升了10.15%的性能。

引言

社交媒体平台的普及加剧了错误信息和谣言的传播，扰乱了公共安全，甚至危及经济和政治稳定[1]、[2]。因此，开发一种自动检测社交媒体上虚假新闻的模型已成为当务之急。