该博客介绍了一种名为FANG的图学习框架，用于检测社交媒体中的假新闻。FANG通过构建社会背景图，捕捉新闻、用户和新闻源之间的交互，以提高表示质量和模型稳健性。它特别关注时间敏感的新闻源和用户立场关系，并利用TF-IDF进行特征提取。此外，FANG的注意力机制提供了可解释性。该方法在有限数据下表现良好，且可应用于新闻真实性的相关任务。
利用图表示的社会背景检测假新闻
（1）一种图像表示，模拟所有社会参与者的交互。
（2）提出了事实新闻图(FANG)，这是一个归纳的图学习框架，可以有效地捕捉社会结构和参与模式，从而提高表示质量。
（3）模型在有限的训练数据的情况下是稳健的
（4）可推广到相关任务，如新闻媒体报道的真实性
（5）Fang的可解释性得益于循环聚合器的注意力机制
方法：
1.定义假新闻检测问题
2.社会情境图方的构建过程及其基本原理
3.描述了从社会实体中提取特征的过程以及它们之间交互的建模
1.三类节点 新闻，用户（新闻的传播者），新闻源；四类边
表3总结了不同类型的交互作用的特征，包括同质的和异质的。立场是特殊类型的交互，因为它们不仅以边标签和源/目的节点为特征，还以时间性为特征
文章特征向量--TFIDF---
新闻源（主页的描述是讽刺或者挖苦），也使用TFIDF---
社交用户向量（从用户的简介内容中导出），也使用TFIDF---
2.边的描述：
用户之间的关注关系：
新闻和新闻源的出版关系：
（对时间敏感）
新闻源和新闻源的引用关系：
用户对新闻的立场关系：We consider four stances: support with neutral sentiment or
neutral support, support with negative sentiment ornegative support, deny, and report
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
