Twitter Fake News Detection Using Graph Neural Networks

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.