Please use this identifier to cite or link to this item:
https://er.nau.edu.ua/handle/NAU/62254| Title: | Twitter Fake News Detection Using Graph Neural Networks |
| Other Titles: | Розпізнавання фейкових новин у Twitter за допомогою графових нейронних мереж |
| Authors: | Sineglazov, Victor Синєглазов, Віктор Михайлович Bylym, Kyrylo Билим, Кирило Ігорович |
| Keywords: | fake news detection graph neural networks binary classification graph pooling розпізнавання фейкових новин графові нейронні мережі бінарна класифікація об’єднання графів |
| Issue Date: | 27-Dec-2023 |
| Publisher: | National Aviation University |
| Citation: | Sineglazov V. M. Twitter Fake News Detection Using Graph Neural Networks / V. M. Sineglazov, K. I. Bylym // Electronics and Control Systems, N 4(78) – Kyiv: ТОВ «Альянт», 2023. – pp. 26–33 |
| Series/Report no.: | Electronics and Control Systems;№4(78) Електроніка та системи управління;№4(78) |
| Abstract: | This article is devoted to the intellectual processing of text information for the purpose of detecting rail news. To solve the given task, the use of deep graph neural networks is proposed. Fake news detection based on user preferences is augmented with deeper graph neural network topologies, including Hierarchical Graph Pooling with Structure Learning, to improve the graph convolution operation and capture richer contextual relationships in news graphs. The paper presents the possibilities of extending the framework of fake news detection based on user preferences using deep graph neural networks to improve fake news recognition. Evaluation on the FakeNewsNet dataset (a subset of Gossipcop) using the PyTorch Geometric and PyTorch Lightning frameworks demonstrates that the developed deep graph neural network model achieves 94% accuracy in fake news classification. The results show that deeper graph neural networks with integrated text and graph features offer promising options for reliable and accurate fake news detection, paving the way for improved information quality in social networks and beyond. Цю статтю присвячено інтелектуальному обробленню текстової інформації з метою виявлення рейкових новин. Для розв’язання поставленого завдання запропоновано використання глибоких графових нейронних мереж. Виявлення фейкових новин з урахуванням уподобань користувачів доповнено більш глибокими топологіями графових нейронних мереж, що включають в себе Hierarchical Graph Pooling with Structure Learning, для покращення операції згортки графа і захоплення більш багатих контекстних зв'язків у графах новин. У статті представлено можливості розширення фреймворку виявлення фейкових новин з урахуванням уподобань користувачів за допомогою глибоких графових нейронних мереж для покращення розпізнавання фейкових новин. Оцінка на наборі даних FakeNewsNet (підмножина Gossipcop) з використанням фреймворків PyTorch Geometric і PyTorch Lightning демонструє, що розроблена глибока модель графової нейронної мережі досягає 94% точності в класифікації фейкових новин. Результати показують, що більш глибокі графові нейронні мережі з інтегрованими текстовими та графовими функціями пропонують перспективні варіанти для надійного і точного виявлення фейкових новин, прокладаючи шлях до підвищення якості інформації в соціальних мережах та за їх межами. |
| Description: | [1] Americans Who Mainly Get Their News on Social Media Are Less Engaged, Less Knowledgeable, Website, 2020 https://www.pewresearch.org/journalism/2020/07/30/americans-who-mainly-get-their-news-on-social-media-are-less-engaged-less-knowledgeable/ [2] K. Shu, A. Sliva, S. Wang, J. Tang, and H. Liu, “Fake news detection on social media: A data mining perspective,” ACM SIGKDD Explorations Newsletter, vol. 19, no. 1, pp. 22–36, 2017. https://doi.org/10.1145/3137597.3137600 [3] T. Bian, X. Xiao, T. Xu, P. Zhao, W. Huang, Y. Rong, and J. Huang, “Rumor detection on social media with bi-directional graph convolutional networks,” in AAAI, vol. 34, no. 01, 2020, pp. 549–556. https://doi.org/10.1609/aaai.v34i01.5393 [4] Michael M. Bronstein, Joan Bruna, Taco Cohen, Petar Veličković, Geometric Deep Learning: Grids, Groups, Graphs, Geodesics, and Gauges. https://doi.org/10.48550/arXiv.2104.13478 [5] T. N. Kipf and M. Welling, “Semi-supervised classification with graph convolutional networks,” in Proc. of ICLR, 2017. https://doi.org/10.48550/arXiv.1609.02907 [6] P. Veličković, G. Cucurull, A. Casanova, A. Romero, P. Lio, and Y. Bengio, “Graph attention networks,” arXiv preprint arXiv:1710.10903, 2017 https://doi.org/10.48550/arXiv.1710.10903 [7] W. Hamilton, Z. Ying, and J. Leskovec, “Inductive representation learning on large graphs,” NeurIPS, 2017. https://doi.org/10.48550/arXiv.1706.02216 [8] Keyulu Xu, Weihua Hu, Jure Leskovec, and Stefanie Jegelka. How powerful are graph neural networks? arXiv preprint arXiv:1810.00826, 2018. https://doi.org/10.48550/arXiv.1810.00826 [9] Scarselli, Franco; Gori, Marco; Tsoi, Ah Chung; Hagenbuchner, Markus; Monfardini, Gabriele (2009). “The Graph Neural Network Model,” IEEE Transactions on Neural Networks, 20(1): 61–80. https://doi.org/10.1109/TNN.2008.2005605 [10] Alessio Micheli, “Neural Network for Graphs: A Contextual Constructive Approach,” IEEE Transactions on Neural Networks, 20(3): 498–511. https://doi.org/10.1109/TNN.2008.2010350 [11] Dzmitry Bahdanau, Kyunghyun Cho, and Yoshua Bengio, “Neural machine translation by jointly learning to align and translate,” International Conference on Learning Representations (ICLR), 2015. https://doi.org/10.48550/arXiv.1409.0473 [12] Understanding Pooling in Graph Neural Networks https://doi.org/10.48550/arXiv.2110.05292 [13] Hierarchical Graph Pooling with Structure Learning https://doi.org/10.48550/arXiv.1911.05954 [14] K. Church and P. Hanks, “Word association norms, mutual information, and lexicography,” Computational linguistics, vol. 16, no. 1, pp. 22–29, 1990. https://dl.acm.org/doi/10.3115/981623.981633 https://doi.org/10.1145/3485447.3512163 [15] Clint Burfoot and Timothy Baldwin, “Automatic satire detection: Are you having a laugh?,” In Proceedings of the ACL-IJCNLP 2009 conference short papers, 2009, pp. 161–164. Association for Computational Linguistics. https://doi.org/10.3115/1667583.1667633 [16] V. Vaibhav, R. Mandyam, and E. Hovy, “Do sentence interactions matter? leveraging sentence level representations for fake news classification,” in Proceedings of the Thirteenth Workshop on Graph-Based Methods for Natural Language Processing, 2019, pp. 134–139. https://doi.org/10.48550/arXiv.1910.12203 [17] K. Shu, D. Mahudeswaran, S. Wang, D. Lee, and H. Liu, “Fakenewsnet: A data repository with news content, social context, and spatiotemporal information for studying fake news on social media,” Big data, vol. 8, no. 3, pp. 171–188, 2020. https://doi.org/10.48550/arXiv.1809.01286 [18] Y. Dou, K. Shu, C. Xia, P. S. Yu, and L. Sun, “User preference aware fake news detection,” in Proceedings of the 44th International ACM SIGIR Conference on Research and Development in Information Retrieval, 2021, pp. 2051–2055. https://doi.org/10.48550/arXiv.2104.12259 [19] Tomas Mikolov, Kai Chen, Greg Corrado, and Jeffrey Dean, Efficient estimation of word representations in vector space. 2013. arXiv preprint arXiv:1301.3781 (2013). https://doi.org/10.48550/arXiv.1301.3781 [20] Jacob Devlin, Ming-Wei Chang, Kenton Lee, and Kristina Toutanova, Bert: Pre-training of deep bidirectional transformers for language understanding, 2018. arXiv preprint arXiv:1810.04805 (2018) https://doi.org/10.48550/arXiv.1810.04805 |
| URI: | https://er.nau.edu.ua/handle/NAU/62254 |
| ISSN: | 1990-5548 |
| DOI: | 10.18372/1990-5548.78.18259 |
| Appears in Collections: | Наукові публікації та матеріали кафедри авіаційних комп'ютерно-інтегрованих комплексів (НОВА) |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.