摘要：
一、摘要 假新闻的爆炸性增长，以及对政治、经济和公共安全的破坏性影响，增加了对假新闻检测的需求。社交媒体上的假新闻并不是以文章的形式独立存在的。许多其他实体，如新闻创造者、新闻主题等，都存在于社交媒体上，并与新闻文章有关系。不同的实体和关系可以被建模为一个异构信息网络（HIN）。 在本文中，我们试图 阅读全文
摘要：
一、摘要 学习复杂网络上的连续时间动态对于理解、预测和控制科学和工程中的复杂系统至关重要。然而，由于高维系统结构中的组合复杂性、它们难以捉摸的连续时间非线性动力学以及它们的结构-动力学依赖性，使得这项任务非常具有挑战。 为了解决这些挑战，我们提出将常微分方程系统（ODEs）和图神经网络（GNNs）相 阅读全文
摘要：
一、摘要 图上的表示学习，也称为图嵌入，已经证明了它对一系列机器学习应用程序的重大影响，如分类、预测和推荐。 然而，现有工作在很大程度上忽略了那些可以被表示为属性图的现代应用程序中的节点以及边的属性中所包含的丰富信息，例如，那些由属性图所表示的信息。 到目前为止，大多数现有的图嵌入方法要么只关注具有 阅读全文
摘要：
一、摘要 随着社交媒体的快速发展，假新闻已经成为一个重大的社会问题，它无法通过人工调查及时解决。这激发了大量关于自动假新闻检测的研究。 大多数研究探索了基于新闻记录中不同模态信息（如文本、图像和传播网络）的有监督模型来识别假新闻。然而，如果新闻记录来自不同的领域（如政治、娱乐），特别是在训练时未见过 阅读全文
摘要：
一、摘要 在社交媒体上的虚假信息检测具有挑战性，因为它通常需要烦冗的证据收集，但又缺乏可用的比较信息。从用户评论中挖掘出的线索作为群体智慧，可能对这项任务有相当大的好处。 然而，考虑到内容和评论的隐式相关性，捕获复杂的语义是很简单的。虽然深度神经网络具有较好的表达能力，但缺乏可解释性是其主要的缺点。 阅读全文