摘要
近年来，虚假信息与假新闻对个人及社会造成了严重负面影响，引发了学术界和公众对假新闻检测的广泛关注。现有大多数假新闻检测算法主要聚焦于挖掘新闻内容本身以及其周边的外部上下文信息，以识别欺骗性信号；然而，用户在决定是否传播某条假新闻时所表现出的内在偏好（即内生偏好）却常常被忽视。根据确认偏误理论（confirmation bias theory），当一则假新闻与用户既有的信念或偏好相吻合时，用户更倾向于传播该信息。用户的历史社交行为，如发布的帖子等，蕴含着丰富的关于其新闻偏好信息，具有显著提升假新闻检测能力的潜力。然而，针对利用用户偏好进行假新闻检测的研究仍相对有限。因此，本文首次系统研究了利用用户偏好信息进行假新闻检测这一新颖问题。为此，我们提出了一种新框架——UPFD（User Preference-aware Fake News Detection），该框架通过联合内容建模与图神经网络建模，同步捕捉用户偏好的多种信号。在真实数据集上的实验结果表明，所提出框架具有显著有效性。为推动基于图神经网络（GNN）的假新闻检测研究，我们已公开代码与数据集，作为该领域的基准工具：https://github.com/safe-graph/GNN-FakeNews。