克服结构与相似性障碍：基于图神经网络的情境推理在检测不一致及部分误导新闻中的应用

《Neurocomputing》：Overcoming structural and similarity barriers: Graph neural network-based contextual reasoning for detecting incongruent and partially misleading news

本文提出了一种创新的图神经网络情境匹配方法（GCM），通过构建新闻标题与正文的n元语法网络，提取标题词在正文各段落中的局部上下文，有效解决了传统相似性比较（similarity-based）和摘要生成方法（summarization-based）在检测部分不一致新闻（partially incongruent news）时面临的结构性障碍和语义鸿沟问题。实验表明GCM模型在五类基准数据集上显著优于现有技术，尤其擅长识别具有部分真实性和部分误导性的复杂虚假新闻。

　　

亮点与创新

本研究提出的图神经网络情境匹配模型（GCM）通过构建新闻标题与正文的二元语法网络（Bigram networks），突破传统方法的语义捕捉局限。该模型从新闻正文的不同段落中提取标题词的上下文子图，通过对比标题网络与局部上下文网络的相似性，实现对部分不一致新闻（如半真半假内容）的精准识别。

模型工作原理

以图1所示的部分不一致新闻为例，GCM首先将新闻标题和正文分别转化为二元语法网络（图2a、2b），其中每个单词作为节点，共现词汇间建立边。随后为标题网络的每个节点，从正文网络中提取其上下文相似的k跳邻居构成子图。这些子图实质上反映了标题词在新闻正文各段落中的分布式语境特征。

实验验证

在包含虚假新闻、点击诱饵等五类公开数据集上的测试表明，GCM不仅能有效克服文本长度不匹配问题，对部分不一致新闻的检测准确率较传统方法提升显著。模型通过局部上下文匹配机制，尤其擅长识别混合真实与误导信息的复杂欺骗性内容。

结论与展望

GCM模型为数字平台中的 misinformation 和 disinformation 传播防控提供了新思路。未来工作将探索多语言场景下的适应性，并整合深度语义表征以进一步提升对隐含误导内容的识别能力。

局限性与拓展

当前模型在处理跨语言新闻检测时仍需优化。后续研究将引入多模态数据融合技术，增强对图像-文本不一致内容的检测能力，扩大其在健康医学等关键领域的应用价值。