Network Information Enhances Unreliable News Domain Detection
本文表明，通过图神经网络利用从 URL 分享模式中提取的网络结构，可以显著提高对不可靠新闻域的检测能力，即使在无法进行内容分析的情况下，其表现也优于仅基于内容的基准模型。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，互联网就像一个巨大且混乱的城镇广场，每个人都在同时大声喧哗着新闻、谣言和故事。在这个广场上，一条信息的“内容”就是他们实际在说的话——文字、图片或视频。但故事还有另一个层面：谁站在谁身边，以及谁在听谁说话。这就是“网络”。长期以来，专家们试图通过只阅读文字来识别假新闻，就像老师批改作文一样。但近来，这个广场上的“坏人”已经变得非常擅长伪装成好人。他们使用华丽的辞藻，看起来就像真正的记者；随着超智能人工智能的兴起，他们甚至能写出完美的虚假故事，让人难以察觉。因此，科学家们提出了一个新问题：与其仅仅阅读演讲内容，我们能否通过观察他们的交友圈来判断其是否值得信任？如果一个人总是和一群已知撒谎的人混在一起，那么即使他现在的言论听起来完美无缺，我们也应该对他保持怀疑。这就是网络科学的核心：你的连接关系能告诉你很多关于你自己的信息。
这篇论文就像是一个设定在那个名为 Telegram 的、极其拥挤的城镇广场角落里的侦探故事。研究人员——一支来自德国、奥地利和意大利大学的团队——想要看看他们是否可以利用新闻网站的“友谊地图”来识别不可靠的信息源。他们不仅观察文章本身，还观察了人们是如何分享它们的。他们构建了一张巨大的地图，其中每个新闻网站都是一个点，如果人们经常在同一个聊天群组中同时分享来自这两个网站的链接，就会在两个点之间连上一条线。
这里是他们发现的一个大惊喜：这些点并不是随机混合在一起的。“不可靠”的网站（那些传播假新闻或低质量新闻的网站）倾向于和其他不可靠网站混在一起。而“可靠”的网站（那些严肃的新闻来源）则聚集在它们自己的集群中。这就像高中的食堂，科学社的学生坐在一桌，而恶作剧者坐在一桌；他们通常不会混在一起。研究人员称之为“同类相吸”（assortative mixing），但你完全可以把它理解为“物以类聚”。
为了测试这张地图是否能提供帮助，他们使用了一种特殊的计算机大脑，叫做图神经网络（GNN）。把 GNN 想象成一名侦探，他不仅会阅读嫌疑人的不在场证明（文章的文本），还会检查他们的社交圈（网络）。他们将这位侦探与一个更简单的侦探（标准的计算机模型）进行了对比，后者只阅读不在场证明而忽略了朋友。结果很明确：观察网络的侦探在识别假货方面表现得出色得多。
更有趣的是，即便在完全无法阅读文章的情况下，这位网络侦探依然表现出色。有时，你看不见文本（也许是因为语言不通，或者内容被隐藏了），但你仍然可以看到谁在与谁分享。在这种情况下，基于网络的模型仍然优于仅基于文本的模型。当他们同时拥有文本和网络地图时，表现最好的模型（称为 GraphSAGE）在 63% 的情况下做出了正确判断，这比忽略网络的模型的 55% 准确率有了显著的飞跃。即使没有文本，仅凭分享模式，网络模型仍然比仅靠文本的模型做得更好。
作者们谨慎地指出，这并不是解决假新闻问题的万灵药。他们承认他们的地图是针对 Telegram 特有的，而且并不是来自“坏”网站的每一篇文章都是假的，就像并不是坐在恶作剧者桌旁的每一个人都是恶作剧者一样。然而，他们有力地证明了观察网络结构为打击虚假信息增加了一个强大的新工具。这表明，即使言辞完美，一个新闻来源所结交的伙伴也能为我们提供一个强有力的线索，让我们判断是否应该信任他们。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。