摘要

如今，虚假新闻通过在线社交网络迅速传播，已成为威胁个人与社会的重大问题。由于虚假新闻内容往往经过精心编造，其真实性评估极具挑战性，导致大规模虚假新闻数据的标注难以获取。受制于数据稀缺问题，在监督学习框架下，虚假新闻检测容易出现失败与过拟合现象。近年来，图神经网络（Graph Neural Networks, GNNs）被广泛应用于挖掘已标注与未标注样本之间的丰富关系信息，展现出良好的性能。然而，GNN本质上仅关注新闻之间的成对关系，难以充分表达以群体传播为特征的虚假新闻的复杂模式。例如，当能够更深入理解易受骗用户群体间共享新闻之间的关联时，虚假新闻的检测效果将显著提升。为解决上述问题，本文提出采用超图（hypergraph）建模新闻间的群体级交互关系，并结合双层注意力机制，聚焦于关键新闻关系的建模。在两个基准数据集上的实验结果表明，所提方法在性能上表现优异，即使在仅有少量标注新闻数据的情况下，仍能保持较高的检测准确率。