社交媒体虚假信息的计算视角及打击方法研究（2022）100035

BenchCouncil交易基准，标准和评估2（2022）100035打击社交媒体上的虚假信息：计算视角凯叔计算机科学系，伊利诺伊理工学院，芝加哥60616，美国A R T I C L E I N F O关键词：虚假信息社交媒体挖掘社会计算内容A B S T R A C T社交媒体的使用加速了信息共享和即时通信。 进入社交媒体的低门槛使更多的用户能够参与，并使他们保持更长的参与时间，同时激励具有隐藏议程的个人使用虚假信息来操纵信息和影响意见。虚假信息，如假新闻，恶作剧和阴谋论，越来越多地被武器化，以分裂人们并造成有害的社会影响。因此，必须了解虚假信息，并系统地研究如何提高对虚假信息的抵抗力，同时考虑到对信息的需求与对虚假信息的安全和保护需求之间的紧张关系。 在这次调查中，我们从计算的角度研究了检测虚假信息的概念，方法和最新进展。我们还将讨论公开的问题和未来的研究方向，以打击社交媒体上的虚假信息。1.介绍12.相关工作和基础23.先进的虚假信息检测23.1.FakeNewsNet：一个基准数据存储库33.2.有效的假新闻检测33.3.可解释的假新闻检测33.4.早期的假新闻检测43.5.跨域假新闻检测44.未决问题和未来研究54.1.值得信赖的AI用于打击虚假信息54.2.神经虚假信息的产生和检测54.3.在线虚假信息及其离线影响55.结论5竞争利益声明5致谢5参考文献51. 介绍社交媒体已成为个人沟通的主要平台[1]。特别是，社交媒体在新闻传播，信息共享和活动参与方面非常受欢迎，因为它能够大规模快速传播信息[2，3]。虽然这种巨大的容量可以促进社会信任和加强社会联系，但它也可以促进信息的猖獗传播[4这种猖獗的虚假信息往往利用社交媒体用户的信任和社交联系，传播被操纵的信息以煽动仇恨，并对个人或团体造成损害。随着社交媒体上虚假信息的空前增长，虚假信息现在被视为最大的威胁之一电 子 邮 件 地 址 ： kshu@iit.edu 。https://doi.org/10.1016/j.tbench.2022.100035民主、正义、公众信任、表达自由、新闻业和经济增长[4]。因此，迫切需要解决数字虚假信息问题。然而，用计算方法检测虚假信息和假新闻带来了独特的挑战，使其变得不平凡。首先，数据挑战一直是一个主要障碍，因为假新闻和虚假信息的内容在主题、风格和媒体平台方面相当多样化;假新闻试图用不同的语言风格歪曲真相，同时嘲笑真实新闻。因此，获得带注释的假新闻数据是不可扩展的，并且数据特定的嵌入方法不足以用于具有很少标记数据的假新闻检测。其次，假新闻的挑战不断演变，接收日期：2021年12月3日;接收日期：2022年3月22日;接受日期：2022年3月23日2022年4月7日在线发布2772-4859/©2022作者。Elsevier B. V.代表KeAi Communications Co. Ltd.提供的出版服务。这是CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect标准和评价期刊主页：https://www.keaipublishing.com/en/journals/benchcouncil-transactions-on-benchmarks-standards-and-evaluations/BenchCouncil交易基准，K. 舒BenchCouncil交易基准，标准和评估2（2022）1000352表1与有代表性的虚假新闻检测方法的比较。代表方法新闻内容社会背景语言视觉用户后时间网络[10[17，18][19[22，23][24[27]第二十七话[28，29]第28话[30虚假信息是这项任务中的另一个障碍-假新闻通常与新出现的、时间紧迫的事件有关，由于缺乏确凿的证据或说法，这些事件可能没有得到现有知识库的适当核实。第三，可解释性挑战与机器学习算法的发展有关，这些算法可以解释虚假信息。现有的虚假信息检测技术通常是机器学习黑匣子，对检测过程提供很少或根本没有解释。可解释性确保了开发的算法是透明的，确保了算法在道德上是负责任的和值得信赖的。然而，导出对领域专家有用的算法解释并增强解释， 通过理解和结合先前的专家知识是具有挑战性的。我们介绍了最近在社会监督薄弱的情况下学习的进展，以了解和检测社交媒体上的虚假信息和假新闻[7]。特别是，这些方法正在尝试各种具有挑战性的场景，以更有效地检测假新闻，并在早期阶段和跨领域进行解释。 我们进一步讨论了开放的问题和未来的方向，从计算的角度打击虚假信息的路线。2. 相关工作和基金会虚假信息和错误信息一直是一个重要的问题，近年来引起了越来越多的关注[4，8，9]。社交媒体的开放性和匿名性使用户可以方便地分享和交换信息，但也使其容易受到恶意活动的影响。虽然新闻业已经研究了错误信息和虚假信息的传播，但社交网络平台的开放性，加上自动化的潜力，使虚假信息/错误信息迅速传播到大量人群中，这带来了前所未有的挑战。具体而言，虚假信息是故意传播以误导和/或欺骗的虚假或不准确信息;错误信息是没有意识到它是虚假或误导的人分享的虚假内容。作为虚假信息的一个典型例子，我们简要介绍了社交媒体上虚假新闻检测的相关工作。假新闻检测方法通常侧重于使用新闻内容和社会背景[8，33]（如表1所示）。新闻内容包含着辨别真假新闻的线索。基于新闻内容的特征是假新闻检测的最明确线索，因为评估的社交媒体新闻本质上主要是文本。基于新闻内容的假新闻检测的前提是，假新闻的内容应该以某种可量化的方式与真相有所不同[10]。对于基于新闻内容的方法，特征被提取为基于语言的和基于视觉的。基于语言的特征捕捉了假新闻内容中常见的特定写作风格和耸人听闻的标题[11]，例如词汇和句法特征。然而，这些方法不仅难以概括手工制作的语言特征，而且难以利用丰富的语义和上下文信息。为了解决基于语言学的方法的缺点，基于深度神经网络的方法，如回流神经网络（RNN）[12，29]，卷积神经网络[12，29(CNN)[13，14]和变分自动编码器（VAE）[15，16]由于其自动学习潜在文本表示和捕获新闻内容的复杂上下文模式的能力，近年来已被广泛探索。基于视觉的特征试图识别有意创建或捕获图像特定特征的假图像[17]假新闻。具有视觉信息的新闻可能会吸引更多社交媒体用户的关注，从而获得更大范围的信息传播[18]。结合视觉和语言特征比使用单一的特征模态表现出更好的性能。例如，Jin et al.首先提出了一种基于RNN的自动多模态假新闻检测模型，使用注意力机制融合帖子的视觉和文本信息[19]。此外，Zhou等人提出了一种新的假新闻方法，考虑了各种形式之间的相关性[20]。除了新闻内容，与新闻相关的社会背景包含丰富的信息，有助于检测假新闻。基于社会语境的方法主要有基于用户、基于帖子和基于网络的特点。从用户配置文件中提取基于用户的特征，以测量其特征和能力[22，34，35]。例如，Shu等人。[22]提出从各个方面了解用户配置文件，以区分假新闻。Yang等人。[23]提出了一种无监督的假新闻检测算法，通过利用用户基于帖子的特征代表了用户基于网络的特征通过构建特定的网络来提取，例如扩散网络[27，36]，二分最近，几何深度学习，如图神经网络（GNN）已被用于检测假新闻，并显示出有前途的性能[28，30，31]。例如，Nguyen等人提出了一种归纳异构图表示框架，事实新闻图（FANG），它可以有效地利用用户的社交结构和参与模式进行假新闻检测[32]。还应用了深度学习模型学习新闻的时间和语言表征[21，38]。研究还侧重于虚假新闻检测的挑战性问题，例如通过对抗学习[21]和用户响应生成[26]进行虚假新闻早期检测。尽管上述假新闻检测算法取得了成功，但它们大多依赖于大量标记的实例来训练监督模型。这样大的标记训练数据通常很难获得虚假信息和假新闻。因此，需要在弱社会监督下学习的新算法，以便在早期阶段和跨领域有效地检测假新闻。3. 推进虚假信息检测在本节中，我们将详细介绍虚假信息检测的计算方法。我们将首先介绍一个用于假新闻检测的基准数据库，然后描述检测虚假信息的四个计算任务。这四项任务K. 舒BenchCouncil交易基准，标准和评估2（2022）1000353RepositoryFakeNewsNet，1其中包含两个数据集与新闻con-D、U、V、≥0、≥1、≥ 222表2与代表性的假新闻检测数据集的比较[39]。数据集新闻内容社会背景时空语言视觉用户后反应网络时空BuzzFeed新闻骗子BS探测器信贷银行BuzzFace电子邮件Facebook的恶作剧NELA-GT-2018年FakeNewsNet新闻网解决上述重要的数据，检测和进化的挑战具体而言，我们旨在回答以下问题。首先，当我们有足够的新闻内容和社会背景的标记数据时，如何更有效地检测假新闻？第二，为了让事实核查人员和记者等领域专家参与进来并从中受益，我们如何使假新闻检测结果更容易理解？第三，社交背景可能有助于检测假新闻，而假新闻需要很长时间才能聚合;我们能在早期阶段检测到假新闻吗？最后，假新闻有不同的主题，获得每个领域的标签是昂贵的;跨领域的辅助信息是否有助于检测假新闻？对于每个任务，我们将介绍研究问题的技术细节和建议的研究。3.1. FakeNewsNet：一个基准数据库识别假新闻的第一步也是最重要的一步是选择基准数据集。尽管存在几种关于假新闻检测的计算解决方案，但缺乏全面和社区驱动的假新闻数据集已成为主要障碍之一。因此，我们创建并管理多维数据Fig. 1. 在新闻传播过程中，出版商，新闻作品和用户之间的三重关系的说明[41]。我们提出使用非负矩阵分解（NMF）来通过利用以下目标函数对异质网络中的关系进行min−DV2+Y（A−UU）2+ tr（L）帐篷、社会背景和时空信息[39]。它目前������+（BD���−）2+DL−L2+���������������包含两个数据集，其中包含（23 K）从事实中注释的新闻片段-检查网站，丰富的用户参与（69.1万用户，200万推文和2B网络追随者）。从表2中，我们观察到没有现有的公共数据集可以提供新闻内容，社会背景和时空信息的所有可能特征构建的FakeNewsNet存储库有可能促进与假新闻研究相关的各种开放研究问题的研究。首先，数据集中丰富的特征集为尝试不同的假新闻检测方法提供了机会，了解假新闻在社交网络中的传播并进行干预。其次，时间信息使早期假新闻检测研究成为可能。第三，我们可以通过识别来源、说服者和制定更好的假新闻干预策略来调查假新闻的传播过程[40]。3.2. 有效的假新闻检测在我们最近的工作中[41]，我们调查了有效的假新闻检测与社会背景。其基本思想是新闻生态系统提供了丰富的社会背景信息，其中涉及三个基本实体，即，出版商、新闻和用户。拟议框架由三个主要部分组成第一、新闻内容嵌入通过对词袋矩阵进行因子化来学习新闻表示D。第二，社会背景嵌入包括三个部分，来自传播关系的具体地，我们将矩阵A分解为用户表示矩阵U，并且是对于对于������第三，我们进一步结合半监督线性分类器以利用映射函数将新闻表示D映射到新闻标签 L ; 正则化项以避免过拟合，和、和���控制每个分量的重要性。实验结果表明，TriFN具有更好的假新闻检测性能，图1给出了这种生态系统的图示。在图1中，101、102和103是发布新闻的新闻发布者，101、���������此外，用户倾向于与志趣相投的人建立社交联系三重关系，即出版商、新闻作品和用户之间的关系，包含了有助于检测假新闻的额外信息1https://github.com/KaiDMML/FakeNewsNet。最先进的方法。更多的细节可以在[41]中找到3.3. 可解释的假新闻检测在[42，43]中，我们研究了可解释的假新闻检测。尽管现有的假新闻检测方法取得了令人鼓舞的成果，然而，这些方法大多集中在有效地检测假新闻与潜在的特征，但不能解释能够解释（一K. 舒BenchCouncil交易基准，标准和评估2（2022）1000354图3. 从用户的评论中学习弱信号以检测虚假信息[ 44 ]。图二. 用于可解释的假新闻检测的拟议框架dEFEND[42]。为什么从新闻内容和辅助信息确定新闻是假的是非常期望的，因为：（1）所导出的解释可以提供最初对从业者隐藏的新见解和知识;以及（2）从噪声辅助信息中提取可解释的特征我们的目标以解决以下挑战：（1）如何执行可解释的假新闻检测，其可以同时提高检测性能和可解释性;（2）如何在训练期间提取可解释的评论，而不需要基本事实;以及（3）如何联合地对新闻内容和用户评论之间的相关性建模，以用于可解释的假新闻检测。 其基本思想是，新闻内容可能包含可验证为虚假的信息，用户评论表达了用户对新闻内容的意见、立场和情感。新闻内容和用户评论之间存在内在联系，可以提供重要线索来检测和解释为什么给定的新闻文章是假的。因此，我们同时捕获最值得检查的新闻句子和用户评论，用于假新闻检测和解释。���图2显示了建议的dEFEND。在图中，={1，������={ ���dEFEND由新闻内容编码器、评论编码器、评论-评论共关注层和预测层组成新闻内容编码器设计了一个关注的分层GRU来学习每个句子的表示，表示为={ 1，������...，}。类似地，commentencoder使用LSTM来学习注释的表示，表示为= { 1，���...，}。通过和，评论-评论共注意层对新闻句子之间的相互影响进行建模，用户评论来为句子和评论分配更大的注意力权重，这些句子和评论可以用于检测和解释为什么一条新闻是假的。通过聚合重要新闻句子和用户评论的表示的最终表示用于分类。实验结果表明，dEFEND具有较好的假新闻检测能力见图4。 跨域假新闻检测[45].为此，我们开发了一个框架MWSS联合利用弱社会监督的多个来源（见图3）。它利用标签加权网络（LWN）来对这些弱标签（���（1），������...，（））的权重进行建模，以调节假新闻分类器的学习������。LWN是为弱标签产生权重的元模型，并且可以通过在单独的数据集上反向传播经训练的分类器的验证损失来进行训练LWN适用于假新闻的早期检测，因为LWN只需要新闻内容进行预测。我们的研究结果表明，来自多个来源的弱监管在新闻内容之上提供了补充信息;因此，可以显着提高假新闻检测。更多的细节可以在[44]中找到3.5. 跨域虚假新闻检测在[45]中，我们研究了跨域假新闻检测。我们通过利用跨域知识转移和域内联合学习来解决域内标记数据有限的挑战，以实现高性能的假新闻检测。我们介绍了一个原则性的框架，CrossFND（跨域特征新检测）（见图1）. 4）。第一、性能优于最先进的方法。与此同时，dEFEND可以我们利用嵌入层对每个注释���进行���从新闻内容和评论中获得有意义的解释1更多的细节可以在[42]中找到3.4. 早期虚假新闻检测在我们最近的研究中，我们利用了来自多个来源的关于用户评论的有限信息（即，弱信号），以及文本内容，以检测假新闻[44]。我们观察到，用户首先，以前的工作表明，传播者之间的冲突情绪可能表明假新闻[8，24]。其次，不同的用户有不同的可信度。这些发现有很大的潜力为早期发现假新闻提供额外的信号。因此，可以利用多种来源社会监督薄弱的同时（以弱标签的形式）从社交媒体上发现假新闻。获得评论表示形式=[ 1;;]，利用源域和目标域中的训练数据微调BERT，使得BERT学习新闻表示形式，并将用户-新闻交互向量传递������������������������������������然后，这些表示向量被连接并执行两个任务：（i）用伪随机数预测一条新闻是否是假的;以及（2）预测该新闻来自哪个域（即， 源或目标），- 是的最终目标是一个最小最大函数：min���max���L（ ）− ���L（ ）;其中L（ ）（L（ ））是预测领域（新闻）标签的交叉熵损失。因为我们要求模型学习与域无关的特征，所以我们最大化域损失L（n）。这迫使模型为新闻内容创建一个表示，以抑制特定领域的特征;因此，它试图欺骗分类器。为了满足准确地将新闻分类为假新闻或真新闻的目标，我们最小化假新闻分类器 更多的细节可以在[45]中找到K. 舒BenchCouncil交易基准，标准和评估2（2022）10003554. 未决问题和未来研究打击虚假信息是社会上一个持续不断的挑战。我们讨论了几个新兴的开放问题，为发展计算方法来检测和减轻虚假信息，强调跨学科研究的迫切需要。4.1. 值得信赖的AI用于打击虚假信息人们不愿意相信人工智能驱动的信息失真检测工具的结果然而，目前的方法大多是数据驱动的，并在一个被动的方式进行，因此不足以理解知识从人类的意图和需求。因此对于调整学习策略和从人的反馈中获取知识很重要。为了建立可解释的对抗虚假信息的方法，重要的是研究：（1）如何转换把有意义的人类认知转化为知识(2)如何将嘈杂的、不完整的、复杂的人类反馈结合起来，以实现更好的表征学习？(3)如何用知识推理和因果发现解释预测结果。此外，建立公平的人工智能算法来检测虚假信息也很关键。例如，虚假信息一直针对边缘化群体，了解如何衡量不同类型的偏见及其在虚假信息中的程度非常重要。此外，构建鲁棒的虚假信息检测器可以增加其可信度，并且主动考虑对抗性攻击的虚假信息检测方法可以更好地指导鲁棒检测模型的开发4.2. 神经虚假信息生成和检测随着GPT-3 [46]和BART [47]等神经生成模型的最新发展，生成新闻等逼真的长文档成为可能。人们越来越担心这些强大的语言模型被恶意用户用来生成虚假信息。检测这些神经假新闻首先需要我们了解这些新闻的特点和检测的难度。最近的一些工作建议生成主题保留[48]和事实增强[49]的合成新闻片段，以了解机器生成新闻的特征虽然最近在计算检测人类书面虚假信息方面取得了一些进展，但这些模型是否能有效区分机器书面虚假信息还很不清楚如何利用神经生成模型生成真实的假新闻，以更好地理解神经生成的假新闻？（2）人类和机器在区分人工生成和机器生成的假/真新闻方面的能力如何？4.3. 在线虚假信息及其离线影响虚假信息在在线社交网络中广泛传播，并已被证明会导致离线事件。现有的社会网络研究大多是单独进行，以了解用户在网络和物理空间的在线行为和离线活动。然而，越来越需要整合这些在线和离线空间的研究，并调查它们的相互依存关系。在识别和评估网上虚假信息如何引发实际行为变化方面存在差距 在离线空间。为了从根本上理解这一差距，有必要探讨：（1）如何发现不同类型的社交网络中对诱导行为变化有重要意义的行为动力学：（2）如何建立高保真模型来理解在线和离线社区之间转移和传播的行为动力学;以及（3）如何建立联系和因果分析，以了解在线虚假信息对离线真实世界事件的影响。为了深入理解上述问题，社会科学、心理学和计算机科学等学科非常希望进行跨学科研究5. 结论随着社交媒体的日益普及，越来越多的人从社交媒体消费新闻，而不是传统的新闻媒体。然而，社交媒体也使虚假信息得以广泛传播。在这篇文章中，我们通过回顾现有文献来探讨假新闻问题，并讨论了利用社交媒体数据和分析来计算检测假新闻的最新进展我们还进一步讨论了打击虚假信息的未来方向和跨学科研究的迫切需要竞合利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作致谢本 资 料 部 分 由 XCMG American Research Corporation ， UnitedStates of America 和 Google Cloud Research Credits Award ， UnitedStates of America提供支持。引用[1]A. Perrin，Social media usage，Pew Res. Cent. 125（2015）52-68.[2] A. Al-Rawi，社交媒体上的病毒新闻，Digit。 J. 7（1）（2019）63-79.[3] E. Shearer，A.米切尔，2020年社交媒体平台的新闻使用，皮尤研究中心，2020年。[4] K. Shu，H.刘，检测社交媒体上的假新闻，合成器。最小选择数据知道。发现。11（3）（2019）1[5]H.奥尔科特湾Gentzkow，2016年大选中的社交媒体和假新闻，技术。销售代表：国家经济研究局，2017年。[6] A.猜猜，J. Nagler，J. Tucker，比你想象的少：患病率和预测因素Facebook上的假新闻传播，科学。Adv. 5（1）（2019）eaau 4586.[7]K.《理解虚假信息：在弱社会监督下学习》（Understanding Disinformation：Learning with WeakSocial Supervision）论文），亚利桑那州立大学，2020年。[8] K. Shu，中国山核桃A. Sliva，S.王健，邓建，H.刘，社交媒体上的假新闻检测：一个数据挖掘透视图，ACM SIGKDD Exploror。新闻19（1）（2017）22[9] K. Shu，中国山核桃A. Bhattacharjee，F. Alatawi，T.H. Nazer，K. 丁，M.Karami，H. 刘先生，在社交媒体时代打击虚假信息，Wiley Interpretation。 修订数据最小知识发现10（6）（2020）e1385。[10] K. 夏尔马角，澳-地Qian，H.Jiang，N.Ruchansky，M.Zhang，Y.刘，打击假冒伪劣新闻：关于识别和缓解技术的调查，ACM Trans. Intell。系统技术（TIST）10（3）（2019）1-42。[11]M. Potthast，J. Kidney，K. Reinartz，J. Bevendorff，B. Stein，A stylometricinquiry into hyperpartisan and fake news，2017，arXiv preprintarXiv：1702.05638.[12]T. Chen，X.Li，H.殷，J.张，呼吁关注谣言：深度关注立足用于早期谣言检测的递归神经网络，在：太平洋-亚洲知识发现和数据挖掘会议，Springer，2018年，pp. 40比52[13]工作日Wang，“Liar，liar pants on fire”：A new benchmark dataset for fake newsdetection，2017，arXiv preprintarXiv：1705.00648.[14]M.H.戈达尼河Safabakhsh，S. Momtazi，用于假新闻检测的边际损失卷积神经网络，Inf. 过程管理。58（1）（2021）102418.[15]M. Cheng，S. Nazarian，P. Bogdan，Vroc：变分自动编码器辅助多路复用基于文本的任务谣言分类器，在：2020年网络会议论文集，2020年，pp. 2892-2898[16]D. 哈塔尔， J.S. 古德， M. 古普塔 诉 瓦尔玛 医生： 多峰变分用于假新闻检测的自动编码器，在：万维网会议，2019年，第103页。2915-2921。[17]A. Gupta，H. Lamba，P. Kumaraguru，A. Joshi，Faking Sandy：CharacterizingandIdentifyingFake Images on Twitter During Hurricane Sandy，in：WWW'13.[18]P. Qi，J.Cao，T.杨，J.Guo，J.开发多领域视觉信息用于假新闻检测，在：2019 IEEE数据挖掘国际会议，ICDM，IEEE，2019，pp.518-527.[19]Z. Jin，J.Cao，H.Guo，Y.Zhang，J.Luo，多模态融合与递归神经网络网络用于微博上的谣言检测，见：第25届ACM国际多媒体会议论文集，2017年，第111页。795-816[20] X. Zhou，J. Wu，R. Zafarani，[...公式...]：相似性感知多模态假新闻检测，Adv. 知道。发现。数据最小值354.第354章一个女人[21]Y. Wang，F.妈Z。Jin，Y.Yuan，G.Xun，K.杰哈湖Su，J.Gao，EANN：活动K. 舒BenchCouncil交易基准，标准和评估2（2022）1000356对抗性神经网络用于多模态假新闻检测，见：第24届ACM SIGKDD知识发现数据挖掘国际会议&论文集，ACM，2018年，pp. 849-857K. 舒BenchCouncil交易基准，标准和评估2（2022）1000357[22] K. Shu ， S. Wang ， H. Liu ， Understanding user profiles on social media forfakenews detection，in：MIPR，2018。[23] S. Yang，K. Shu，S.王河，巴西-地Gu，F. Wu，H. Liu，Unsupervised Fake NewsDetectiononSocial Media：A Generative Approach，AAAI，2019。[24] Z. Jin，J. Cao，Y. Zhang，J. Luo，利用微博中冲突的社会观点进行新闻验证，AAAI，2016。[25] J.马，W. Gao，Z. Wei，Y. Lu，K.- F. Wong，使用时间序列检测谣言微博网站上的社会背景信息，载于：CIKM，2015年。[26] F.钱氏C.龚，K.夏尔马湾刘，神经用户响应生成器：假新闻检测与集体用户智能，在：IJCAI，2018年。[27] Y. Dou，K.舒角，澳-地夏，P.S.于湖，加-地Sun，User preference-aware fake newsdetection，2021，arXiv preprintarXiv：2104.12259.[28] C.宋，K.舒湾，澳-地吴，用于假新闻检测的时间进化图神经网络，Inf. Process。管理。58（6）（2021）102712.[29] L. Wu，H.刘，追踪假新闻足迹：通过传播方式表征社交媒体消息，在：WSDM，2018年。[30] Y.-- J. Lu，C.- T. Li，GCAN：Graph-aware co-attention networks for explainablefake news detection on social media，2020，arXiv preprintarXiv：2004.11648.[31]A.席尔瓦湾，澳-地汉湖，澳-地Luo，S. Karunasekera角Leckie，Declaration2Vec：嵌入部分传播网络用于可解释的假新闻早期检测，Inf. 过程管理。58（5）（2021）102618.[32] 五、H.阮氏K. Sugiyama，P. Nakov，M.- Y. Kan，Fang：利用社会背景进行假新闻检测，使用图形表示，在：第29届ACM信息知识管理国际会议论文集&，2020年，第10页。1165-1174年。[33] X.周河，巴西-地扎法拉尼湾Shu，H.刘，假新闻：基本理论，检测策略和挑战，在：WSDM，2019。[34] C.卡斯蒂略湾门多萨湾Poblete，Twitter上的信息可信度，在：WWW，2011年。[35] S.权，M。Cha，K.荣格，W。Chen，Y.王，网络社交媒体中谣言传播的突出特征，载：ICDM，2013。[36] K. Shu，D. Mahudeswaran，S. Wang，H. Liu，用于假新闻检测的分层传播网络：调查和利用，在：网络和社交媒体国际AAAI会议论文集，第14卷，2020年，第14页。626 -637[37] X.周河，巴西-地Zafarani ，基于网络的假新闻检测：模式驱动的方法，ACMSIGKDD Explor。新闻21（2）（2019）48[38] H. Karimi ， P. Roy ， S. Saba-Sadiya ， J. Tang ， 多 源 多 类 假 新 闻 检 测 ， 在 ：COLING，2018年。[39] K. Shu，D. Mahudeswaran，S. Wang，中国山杨D. Lee，H. Liu，FakeNewsNet：A data repository with news content，social context and dynamic information forstudying fake news on social media，2018，arXiv preprintarXiv：1809.01286.[40] K. Shu ， H. R. Bernard ， H. Liu ， Studying fake news via network analysis ：Detection and mitigation，2018，CoRR，arXiv：1804.10233。[41]K. Shu，S. Wang，H.刘，超越新闻内容：社会背景的作用，假新闻检测，在：WSDM，2019。[42] K.舒湖，加-地Cui，S. Wang，中国山杨D. Lee，H. Liu，Defend：Explainable FakeNews Detection ， in ： Proceedings of the 25th ACM SIGKDD InternationalConference on KnowledgeDiscovery&Data Mining，2019，pp. 395-405[43] L. Cui， K. Shu ， S. Wang ， 中 国 山 杨 D. Lee ， H. Liu ， Defend ： A system forexplainable fakenews detection，in：Proceedings of the 28th ACM InternationalConference onInformation and Knowledge Management ， 2019 ， pp. 2961-2964年。[44] K. Shu，G. Zheng，Y.郑氏，中国科学院植物研究所所长。Li，S. Mukherjee，A.H.Awadallah，S. Ruston，H.刘，利用多源弱社会监督早期发现假新闻，2020，arXiv：2004.01732。[45] K.舒，M. Ahmadreza，H. Liu，社交媒体上的跨域假新闻检测：一种上下文感知的对抗方法，在：假媒体生成和检测的前沿，Springer，2022年。[46] T.B. 布 朗 湾 Mann ， N. Ryder ， M. Subbiah ， J. Kaplan ， P. Dhariwal ， A.Neelakantan，P. Shyam，G. Sastry，A. Askell等人，Language models are few-shot learners，2020，arXiv preprintarXiv：2005.14165.[47] M. 刘易斯，Y。Liu，N.Goyal，M.Ghazvininejad，A.穆罕默德岛利维河斯托扬诺夫，L. Zettlemoyer，Bart：用于自然语言生成，翻译和理解的去噪序列到序列预训练，2019，arXiv预印本arXiv：1910.13461。[48] A.莫萨拉内扎德湾Shu，H. Liu，Topic-Preserving Synthetic News Generation：AnAdversarialDeepReinforcementLearningApproach，2020，arXivpreprintarXiv：2010.16324。[49] K.舒，Y. Li，K. Ding，H. Liu，Fact-enhanced synthetic news generation，in：Proceedingsof the Thirty-Fi f t hAAAI Conference on Artificial Intelligence ，2021。