面向情感增强假新闻检测的模糊关系感知图角色聚类框架

《Scientific Reports》：Fuzzy relation-aware graph role clustering for sentiment-augmented fake news detection

　　

摘要

现有假新闻检测研究表明，社交媒体评论中的情感信息可为判断新闻真实性提供重要线索。然而，现有的情感增强方法通常将评论视为独立样本，主要依赖单个评论的语义表示和情感特征进行角色聚类，忽视了评论之间的潜在关系结构。事实上，评论区中的用户角色并不完全由单个评论的情感极性决定。表达相同负面情绪的评论可能来自盲目跟从者、怀疑者或辟谣者。针对这一问题，我们提出了一个模糊关系感知图角色聚类框架（FRGC）。具体而言，FRGC将同一新闻事件下的评论建模为节点，并基于语义相似性构建事件级评论图，以捕捉超出个体表示之外的潜在评论关系。该框架进一步引入情感概率分布及其不确定性来校准语义边权重，避免直接使用不可靠的情感极性进行关系建模。通过这一设计，情感信息作为不确定的辅助信号被纳入模型，同时保持语义关系的主导地位。此外，引入图编码器层和弱图正则化项，以获得关系增强的评论表示，并提升潜在角色聚类的稳定性。在多个数据集上的实验结果验证了FRGC的有效性。具体而言，FRGC在微博数据集（Weibo-comp）上取得了97.1的F1分数，在RumourEval-19数据集上获得了36.5的Macro-F1和74.3的RMSE，优于现有方法，证明了模糊关系感知图建模在情感增强假新闻检测中的有效性。