무엇도 고립되지 않는다: 초그래프 신경망을 활용한 관계 기반 가짜 뉴스 탐지

현재 가짜 뉴스는 온라인 소셜 네트워크를 통해 쉽게 확산되며 개인과 사회에 심각한 위협이 되고 있다. 가짜 뉴스의 콘텐츠가 정교하게 조작되어 있어 진위 여부를 평가하는 것이 어렵고, 이로 인해 대규모의 가짜 뉴스 데이터에 대한 레이블링(annotation)을 확보하기가 어렵다. 이러한 데이터 부족 문제로 인해, 감독 학습 환경에서 가짜 뉴스 탐지가 실패하거나 과적합(overfitting)되는 경향이 있다. 최근 그래프 신경망(GNNs)이 레이블이 부여된 및 부여되지 않은 인스턴스 간의 풍부한 관계 정보를 활용하기 위해 도입되고 있다. 비록 그 성과가 유망하지만, GNN은 본질적으로 뉴스 간의 쌍별 관계(pairwise relations)에 집중되어 있어 그룹 수준에서 확산되는 가짜 뉴스를 효과적으로 포착하는 데 한계가 있다. 예를 들어, 취약한 사용자들 사이에서 공유되는 뉴스 간의 관계를 더 잘 이해할 경우, 가짜 뉴스 탐지가 더욱 효과적일 수 있다. 이러한 문제를 해결하기 위해, 본 연구에서는 뉴스 간의 그룹 단위 상호작용을 표현하기 위해 하이퍼그래프(hypergraph)를 활용하고, 이중 수준의 어텐션 메커니즘(dual-level attention mechanism)을 통해 중요한 뉴스 관계에 초점을 맞추는 방안을 제안한다. 두 가지 벤치마크 데이터셋을 기반으로 한 실험 결과, 제안한 방법은 뛰어난 성능을 보이며, 레이블이 부여된 뉴스 데이터의 소량일 경우에도 높은 성능을 유지함을 확인하였다.