認(rèn)知域作戰(zhàn)下的社交媒體虛假新聞檢測模型

中圖分類號：E911 文獻(xiàn)標(biāo)志碼：A DOI：10.3969/j. issn.1673-3819.2025.05.010

Abstract：Withtherapiddevelopmentand popularizationof information technology，cognitive domainoperations willbean importantformof militaryoccupationandcontrol，striking enemy forcesandparticipating innonwarmilitaryoperations in thefuture.Inorder togaintheinitiativeinthewar，enemyforcesoftenuse mediaplatformstopublishfakenews，attempting to confuse thepublic'svisionandevenmisleadpublicperception，posingathreat tosocialstabilityandsecurityThisarticle proposesasocial mediafakenews detection modelinthecontext ofcognitive domainoperations，which byutilizingthe news itself，user information，andusercomment informationcanbemodeledasaHeterogeneousInformationNetwork（HN），the introductionof hierarchicalaggegationtechnologynables thesimultaneouscaptureof globalandlocalfeaturesofdatabyaggregating HNatbothnodeandclasificationlevels.Thestudyaims todetectfakenews incognitivedomainwarandcurbthe dissemination before it hasanegative impact.

Keywords： cognitive domain;fake news；detection model

隨著科技的飛速進(jìn)步，互聯(lián)網(wǎng)日益完善，網(wǎng)民規(guī)模和互聯(lián)網(wǎng)普及率均呈現(xiàn)顯著的提升。與網(wǎng)絡(luò)相關(guān)聯(lián)的認(rèn)知對抗，是信息化戰(zhàn)爭的新形態(tài)和新領(lǐng)域，是未來軍隊占領(lǐng)與控制、打擊敵方勢力、參與非戰(zhàn)爭軍事行動的重要形式。戰(zhàn)時和應(yīng)急情況條件下，利用社交媒體發(fā)布虛假新聞，實(shí)施針對性的敏感信息“爆料”等方式，容易造成輿情轉(zhuǎn)向，心理失控，社會動蕩。因此，如何精確檢測虛假新聞，確保新聞的真實(shí)性和可信度，已成為當(dāng)前社會研究的重要方向之一。

虛假新聞作為一種具有高度欺騙性和誤導(dǎo)性的新型武器，在認(rèn)知域作戰(zhàn)中發(fā)揮著重要作用。社交媒體平臺現(xiàn)已成為虛假新聞傳播的主要渠道。與傳統(tǒng)媒體相比，社交媒體具有更廣泛的受眾、更快的傳播速度和更高的互動性。虛假新聞在社交媒體上得以迅速擴(kuò)散，影響公眾對事件真相的判斷力和對敵方的認(rèn)知，從而達(dá)到戰(zhàn)略或戰(zhàn)術(shù)目的。

基于圖神經(jīng)網(wǎng)絡(luò)分層聚合的虛假新聞檢測方法具有獨(dú)特的優(yōu)勢。圖神經(jīng)網(wǎng)絡(luò)能夠處理復(fù)雜的節(jié)點(diǎn)和邊的關(guān)系，并從中學(xué)習(xí)有用的特征表示。在社交媒體數(shù)據(jù)的圖結(jié)構(gòu)表示中，節(jié)點(diǎn)可以是用戶、帖子、標(biāo)簽等，邊可以是用戶之間的關(guān)系、互動、轉(zhuǎn)發(fā)等。運(yùn)用圖神經(jīng)網(wǎng)絡(luò)可以更好地理解新聞在社交媒體上的傳播模式，分層聚合策略在虛假新聞檢測中具有重要意義。

在認(rèn)知域作戰(zhàn)中，虛假新聞往往經(jīng)過不法分子的精心設(shè)計和傳播，以逃避檢測和過濾。采用分層聚合策略就是從多個層次和角度分析社交媒體數(shù)據(jù)，從宏觀到微觀，從整體到局部，全面了解新聞傳播的路徑和模式。通過聚合不同層次的信息，能夠更準(zhǔn)確地識別虛假新聞，并對其來源和動機(jī)進(jìn)行深入分析。

基于圖神經(jīng)網(wǎng)絡(luò)（ GNN^[1] ）分層聚合模型，能夠在社交媒體平臺上高效捕捉和識別敵軍傳播的虛假信息[2]，這將有助于提高公眾對新聞?wù)鎸?shí)性的認(rèn)知和判斷能力，有效減少虛假新聞的傳播，提高官兵輿論防護(hù)能力，此外，還可以為相關(guān)機(jī)構(gòu)和媒體提供參考，加強(qiáng)對虛假新聞的監(jiān)管和防范，維護(hù)社會穩(wěn)定和公共安全。

1虛假新聞檢測發(fā)展現(xiàn)狀

虛假新聞檢測作為一個新興的課題，國內(nèi)外學(xué)者已經(jīng)進(jìn)行了一些研究工作，其中，Ciampaglia等[3]基于知識的方法旨在通過比較從新聞中提取的信息與真實(shí)信息來評估新聞的真實(shí)性。然而，Zhou 和Zafarani[4]提出知識圖譜的及時性和完整性仍然是一個未解決的問題。另一種典型的方法是基于寫作風(fēng)格，例如通過運(yùn)用修辭結(jié)構(gòu)理論進(jìn)行話語水平檢測[5、情感和可讀性[?；谛侣勎谋?、用戶（傳播者）和帖子之間的關(guān)系，開發(fā)了矩陣分解[7]、張量分解[8]、分層詞編碼器[9]以及遞歸神經(jīng)網(wǎng)絡(luò)（RNNs）[10-11]進(jìn)行虛假新聞檢測。

虛假新聞檢測技術(shù)的核心在于利用多種技術(shù)手段來分析和驗(yàn)證新聞的真實(shí)性。文本分析技術(shù)通過對新聞文本的語義、情感、邏輯等方面進(jìn)行深人分析，以辨別其真實(shí)性。自然語言處理（NLP）技術(shù)通過對文本進(jìn)行詞頻分析、情感分析、邏輯分析，識別虛假新聞特征。媒體來源驗(yàn)證技術(shù)通過對新聞網(wǎng)站的域名、證書、訪問歷史等進(jìn)行分析，可初步判斷新聞來源的可信度。

總體來說，現(xiàn)有虛假新聞檢測方法可以分為兩個流派。一種是基于信息本身，另一種是憑借外部信息的幫助。虛假信息檢測發(fā)展現(xiàn)狀呈現(xiàn)技術(shù)融合與創(chuàng)新、方法多樣化的趨勢，但仍需不斷應(yīng)對新的挑戰(zhàn)和問題。

2基于圖神經(jīng)網(wǎng)絡(luò)分層聚合的虛假新聞檢測模型構(gòu)建

基于圖神經(jīng)網(wǎng)絡(luò)分層聚合的虛假新聞檢測模型（HAGN）由節(jié)點(diǎn)級注意力和歸類級注意力的分層注意力結(jié)構(gòu)構(gòu)成。HAGN利用節(jié)點(diǎn)級注意力來學(xué)習(xí)屬于同一類型的鄰居權(quán)重，并將其聚合獲得特定類型的鄰居表示。再通過歸類級注意力來學(xué)習(xí)節(jié)點(diǎn)類型的信息，將得到的兩種鄰居表示再次聚合，實(shí)現(xiàn)最終虛假新聞檢測任務(wù)的最優(yōu)加權(quán)組合，總體框架圖1所示。

圖1 HAGN總體框架

Fig.1HAGN Overall framework

2.1 術(shù)語定義

新聞文章：新聞文章指的是發(fā)布在社交媒體或公共媒體上的新聞內(nèi)容，可以表示為集合N={n，，…，|n_m} ，對于每條新聞文章 n_i∈N ，都包含文本內(nèi)容。

社交媒體用戶：社交媒體用戶是指網(wǎng)絡(luò)傳播的接受者，可以是一個人，也可以是一個組織、群眾，泛指上網(wǎng)者。社交媒體用戶表示為集合 S={S₁，S₂，…，S_k} 對于每個用戶 S_i∈S ，都包含用戶信息。

用戶評論信息：用戶評論信息是指用戶在社交媒體上瀏覽新聞后發(fā)表的自身看法和觀點(diǎn)，一些較具權(quán)威的用戶評論對其他用戶會起到很大的引導(dǎo)作用。用戶評論信息可以用集合 C={C₁，C₂，…，C_n} 表示，對于每條用戶評論信息 C_i∈C ，都包含不同的見解、看法。

我們可以將新聞文章、社交媒體用戶和用戶評論信息建模為三種類型的節(jié)點(diǎn)，每個節(jié)點(diǎn)具有不同的特征，根據(jù)它們之間的連接關(guān)系構(gòu)建不同類型的鏈接。

NewsHIN可以定義為 G=（υ，ε） ，其中節(jié)點(diǎn)集 υ= N∪S∪C ，鏈路集合 ε=ε_c，n∪ε_n，s 涉及用戶評論信息與新聞文章之間的“屬于”鏈接以及社交媒體用戶與新聞文章之間的“瀏覽”鏈接。

為了更好地理解NewsHIN并利用類型信息，有必要根據(jù)三類節(jié)點(diǎn)之間的關(guān)系來定義模式級別的描述。NewsHIN的模式將用于模型中，以了解不同類型的節(jié)點(diǎn)和鏈接的重要性。

形式上給定News HING=（υ，ε） ，模式表示為 S_G= （ν_r，ε_r） （υ_r={?_n，?_s，?_c} ？ 屬于，瀏覽}）， v_T 和ε_T 分別表示異構(gòu)信息網(wǎng)絡(luò)中節(jié)點(diǎn)類型和鏈路類型的結(jié)合。

2.2 問題定義

給定NewsHIN G=（υ，ε） ，虛假新聞檢測問題旨在學(xué)習(xí)分類函數(shù) f NY ，將集合 N 中的新聞文章節(jié)點(diǎn)分類到具有 Y 中的可信度標(biāo)簽的正確類中，有效合并News HIN G 中的各種異構(gòu)信息。

2.3 節(jié)點(diǎn)級注意力

節(jié)點(diǎn)級注意力可以了解新聞文章中屬于同一類型的鄰居重要性，并且聚合那些有意義的鄰居的表示，形成一個集合表示，將其定義為模式節(jié)點(diǎn)。節(jié)點(diǎn)級注意力層的輸入是節(jié)點(diǎn)的初始特征向量。由于NewsHIN中存在多種類型的節(jié)點(diǎn)，初始特征向量屬于不同維度的特征空間。為了使注意力機(jī)制能夠在不同類型的節(jié)點(diǎn)之間輸出可比較且有意義的權(quán)重，我們首先利用特定類型的變換矩陣將不同維度的特征投影到同一特征空間中。以新聞文章節(jié)點(diǎn) n_i∈N 為例，類型 ?_n 的變換矩陣是 ，其中， 是初始特征 的維數(shù)， F 是映射到的特征空間的維數(shù)。對于所有類型特定的變換矩陣， F 是相同的。投影過程可以表示為

通過特定類型的投影操作，可以統(tǒng)一不同類型節(jié)點(diǎn)的特征空間，自注意機(jī)制可以在其中學(xué)習(xí)各種節(jié)點(diǎn)之間的權(quán)重。在這里，節(jié)點(diǎn)級注意力將分別學(xué)習(xí)同類型鄰居節(jié)點(diǎn)的重要性。在檢測虛假新聞時，目標(biāo)節(jié)點(diǎn)是新聞文章節(jié)點(diǎn) n_i∈N ，其鄰居屬于 N∪S∪C 。需要注意的是，目標(biāo)節(jié)點(diǎn)本身也要視為鄰居節(jié)點(diǎn)，以配合自注意機(jī)制。我們設(shè) T∈{N，S，C} ， T 中的節(jié)點(diǎn)具有相同的類型 ? ，則對于 T 中 n_i 的鄰居節(jié)點(diǎn)，節(jié)點(diǎn)級注意力可以學(xué)習(xí) 的重要性，這意味著節(jié)點(diǎn) t_i∈T 對于 n_i 將會多么重要。 的重要性可以公式化如下

attention表示與進(jìn)行節(jié)點(diǎn)注意力相同的深度神經(jīng)網(wǎng)絡(luò)，對于具有相同類型 ?_t 的所有相鄰節(jié)點(diǎn)是共享的。掩飾注意力能夠保持網(wǎng)絡(luò)結(jié)構(gòu)信息，只有當(dāng)節(jié)點(diǎn)∈neighborn是類型為Φ，的節(jié)點(diǎn)i的鄰居節(jié)點(diǎn)時，它才會被計算并記錄為 。否則，它的注意力權(quán)重將為0，我們通過softmax函數(shù)將節(jié)點(diǎn)歸一化處理得到權(quán)重系數(shù)：

模式節(jié)點(diǎn) T_ni 可被聚合為

與圖注意力網(wǎng)絡(luò)（GAT）類似，在節(jié)點(diǎn)級注意力中，可以使用多頭注意力機(jī)制來穩(wěn)定自我注意力的學(xué)習(xí)過程。具體來說， K 獨(dú)立節(jié)點(diǎn)級注意力執(zhí)行方程（4）的變換，由 K 中關(guān)鍵詞實(shí)現(xiàn)的特征將被級聯(lián)，從而得到模式節(jié)點(diǎn)的輸出表示：

在面臨的一些問題中，基于HIN模式，每個目標(biāo)節(jié)點(diǎn) n_i 都有3個模式節(jié)點(diǎn) N_ni，C_ni，S_ni ，對應(yīng)3個不同類型的鄰居。

2.4 歸類級注意力

通過節(jié)點(diǎn)級注意力，我們將新聞文章節(jié)點(diǎn)的鄰居聚合為幾個模式節(jié)點(diǎn)。從本質(zhì)上講，它相當(dāng)于將來自相同類型的鄰居節(jié)點(diǎn)的信息融合到模式節(jié)點(diǎn)的表示中。我們現(xiàn)在仍然需要做的是從所有模式節(jié)點(diǎn)學(xué)習(xí)新聞文章節(jié)點(diǎn)的表示。不同的模式節(jié)點(diǎn)包含不同的類型信息，這需要我們區(qū)分節(jié)點(diǎn)類型的重要性。我們將使用歸類級注意力來自動學(xué)習(xí)不同模式節(jié)點(diǎn)的重要性，并最終使用學(xué)習(xí)到的系數(shù)進(jìn)行加權(quán)融合。為了獲得足夠的表達(dá)能力來計算作為高級特征的模式節(jié)點(diǎn)之間的注意力權(quán)重，我們把一個可學(xué)習(xí)的線性變換應(yīng)用于節(jié)點(diǎn)級注意力的模式節(jié)點(diǎn)的特征，這個線性變換由一個加權(quán)矩陣 W∈R^F′×KF 參數(shù)化（ K 是節(jié)點(diǎn)級注意力中的關(guān)鍵詞數(shù)量），歸類級注意力機(jī)制圖式是一個單層前饋神經(jīng)網(wǎng)絡(luò)，應(yīng)用了維度為2F0的激活函數(shù)Sigmoid。對于模式節(jié)點(diǎn) T_ni ，它的重要性可以表示為

通過softmax函數(shù)來規(guī)范每個模式節(jié)點(diǎn)的重要性。最終融合的系數(shù)表示為 ，計算如下：

基于所學(xué)系數(shù)，我們可以融合所有模式節(jié)點(diǎn)以獲得目標(biāo)節(jié)點(diǎn) n_i 的最終表示

學(xué)習(xí)的最終表示集表示為 R 。圖2描述了兩級聚合過程。

圖2節(jié)點(diǎn)級與歸類級聚合過程說明

Fig.2Aggregation process of node-level attention and classification-level attention

2.5 損失函數(shù)

一旦實(shí)現(xiàn)了最終的表示，就可以使用標(biāo)記的新聞文章節(jié)點(diǎn)來訓(xùn)練分類器。在實(shí)驗(yàn)中，使用邏輯回歸層進(jìn)行預(yù)測。我們將一組標(biāo)記的新聞文章節(jié)點(diǎn)定義為N_ι° 對于虛假新聞檢測任務(wù)，優(yōu)化目標(biāo)函數(shù)被設(shè)置為交叉熵?fù)p失最小化，并且可以通過反向傳播進(jìn)行優(yōu)化。

在二分類虛假新聞檢測中，損失為

其中， Φ_?Φ_y 是二進(jìn)制指示符（0或1），指示標(biāo)簽是否是新聞文章節(jié)點(diǎn)的正確分類。 p_ni 是新聞文章節(jié)點(diǎn) n_i 表示的預(yù)測概率。預(yù)測概率將由模型中的邏輯回歸層輸出。

對于多類虛假新聞檢測，基于交叉熵的損失可以表示為

其中， Φ_?Φ_y 也是二進(jìn)制指示符（0或1），其指示類標(biāo)簽 j 是否是新聞文章節(jié)點(diǎn) n_i 的正確分類。將訓(xùn)練多類邏輯回歸層以輸出預(yù)測概率Pnij°

3 實(shí)驗(yàn)及結(jié)果分析

本實(shí)驗(yàn)中使用的數(shù)據(jù)集是FakeNewsNet數(shù)據(jù)集在

PolitiFact平臺上搜集的數(shù)據(jù)。關(guān)于新聞文章，Politi-Fact在網(wǎng)站上提供原始內(nèi)容、事實(shí)核查結(jié)果和全面的事實(shí)核查報告。該平臺根據(jù)內(nèi)容和主題將它們分類為不同的科目，還將提供每個主題的簡要描述。事實(shí)核查結(jié)果可以表明相應(yīng)新聞文章的可信度，并從{True、MostlyTrue、HalfTrue、MostlyFalse、False、PantsonFire}中取值。在PolitiFact數(shù)據(jù)集中，1322篇新聞文章被標(biāo)記為“PantsonFire”，而帶有“False”的新聞文章數(shù)量為2 601篇。此外，數(shù)據(jù)集中還存在2539篇“MostlyFalse”新聞文章和2765篇“HalfTrue”的新聞文章。“MostlyTrue\"和“True\"新聞的數(shù)量分別為2676條和2149條。如果我們將標(biāo)簽{Pantonfire、False、MostlyFalse分組為假新聞，將標(biāo)簽{True、MostlyTrue、HalfTrue分組為真新聞，則假新聞的數(shù)量為6465，真新聞的數(shù)量為7590。我們在原始數(shù)據(jù)集的基礎(chǔ)上建立了一個異構(gòu)的信息網(wǎng)絡(luò)（HIN）。HIN包括三種類型的節(jié)點(diǎn)：新聞文章（N）、社交媒體用戶（S）和用戶評論信息（C），以及兩種類型的鏈接：屬于（新聞文章和用戶評論信息之間）和瀏覽（新聞文章和社交媒體用戶之間）。描述HIN的關(guān)鍵統(tǒng)計數(shù)據(jù)見表1。

本文引入的2行2列混淆矩陣，如表2所示，作為一種標(biāo)準(zhǔn)格式，可以用來表示精度評價。其中：TP（truepositive）：真正例，模型正確預(yù)測為正樣本的實(shí)際正樣本數(shù)。TN（truenegative）：真負(fù)例，模型正確預(yù)測為負(fù)樣本的實(shí)際負(fù)樣本數(shù)。FP（1positive）：假正例，模型錯誤預(yù)測為正樣本的實(shí)際負(fù)樣本數(shù)。FN（1 nega-tive）：假負(fù)例，模型錯誤預(yù)測為負(fù)樣本的實(shí)際正樣本數(shù)。

表1HIN統(tǒng)計數(shù)據(jù)Tab.1 HiNstatisticaldata

表2混淆矩陣

Tab.2 Confusion matrix

3.1 二分類任務(wù)

HAGN模型在準(zhǔn)確率、精確率、召回率和 F1 分?jǐn)?shù)上實(shí)現(xiàn)了最佳性能，結(jié)果見表3。

然而，當(dāng)考慮精度時，我們可以從圖3（d）中觀察到，HAGN模型的性能低于GCN和 GAT 。通過仔細(xì)分析可以發(fā)現(xiàn)，面對虛假新聞檢測，GAT和GCN傾向于將大多數(shù)實(shí)例判斷為“真實(shí)”，這與較高的精度與極低的召回率有關(guān)。在這種情況下，更高的精度是不實(shí)用的，導(dǎo)致很多虛假新聞無法檢測到。通過比較模型和網(wǎng)絡(luò)嵌入方法的性能，我們可以得出結(jié)論：文本信息是非常重要的，而僅僅基于網(wǎng)絡(luò)結(jié)構(gòu)是不夠的。同時，通過模型和文本分類方法的比較，我們可以發(fā)現(xiàn)網(wǎng)絡(luò)結(jié)構(gòu)對虛假新聞的檢測功能也很強(qiáng)大。最后，通過圖神經(jīng)網(wǎng)絡(luò)方法之間的比較，驗(yàn)證了應(yīng)該以更有效的方式來處理網(wǎng)絡(luò)的異構(gòu)性。如果簡單地忽略類型，將異構(gòu)網(wǎng)絡(luò)視為同構(gòu)網(wǎng)絡(luò)，那么結(jié)果將非常令人失望。同樣作為一種異構(gòu)圖的方法，HAGN模型也顯示出優(yōu)于HAN的優(yōu)勢。更重要的是，HAGN模型是一個沒有手工制作功能限制的元路徑自由模型。

表3二分類實(shí)驗(yàn)結(jié)果

Tab.3Binary-classificationexperimentresults

3.2 多分類任務(wù)

由于新興新聞性質(zhì)的不確定性，通常很難直接判斷新聞是絕對真實(shí)的還是虛假的。此外，這也不利于后續(xù)操作。根據(jù)新聞的可信度進(jìn)行更細(xì)粒度的多分類任務(wù)是非常有意義的。6個標(biāo)簽分類的實(shí)驗(yàn)結(jié)果如表4所示，其中HAGN模型優(yōu)于所有比較方法，具有明顯的優(yōu)勢。從更普遍的角度來看，這也表明HAGN模型在異構(gòu)網(wǎng)絡(luò)中具有更強(qiáng)的學(xué)習(xí)能力，學(xué)習(xí)到的表示也更全面、更具鑒別力。結(jié)果表明，面對異構(gòu)網(wǎng)絡(luò)中的其他場景，HAGN具有巨大的潛力和可擴(kuò)展性。

3.3模式級注意力的表現(xiàn)

為了驗(yàn)證模式級注意力的有效性，我們將基于圖神經(jīng)網(wǎng)絡(luò)分層聚合的虛假新聞檢測模型的模式級注意力替換為模式節(jié)點(diǎn)的固定等權(quán)重。在實(shí)驗(yàn)中，所有三個模式節(jié)點(diǎn)都被分配了權(quán)重3，并且我們將該比較模型表示為無模式級模型。圖4為HAGN模型和無模式級HAGN模型之間的比較結(jié)果。結(jié)果來自具有不同訓(xùn)練比率的多類別分類設(shè)置的實(shí)驗(yàn)。很明顯，從各種指標(biāo)來看，HAGN模型和無模式級HAGN模型獲得了更好的性能。這表明模式節(jié)點(diǎn)的重要性區(qū)分，而HAGN模型可以有效地通過注意力權(quán)重來區(qū)分重要性。相比之下，聚合模式節(jié)點(diǎn)的簡單平均操作損害了性能，本質(zhì)上相當(dāng)于丟棄了模式節(jié)點(diǎn)的類型信息。

圖3二分類新聞文章分類結(jié)果

表4多類新聞文章分類結(jié)果

Tab.4Classification resultsofmultiple types of newsarticles

圖4HAGN與無模式級HAGN注意力的比較

Fig.4Comparison of attention between HAGN and HAGN_no_schema

4結(jié)束語

本模型充分利用NewsHIN的豐富特性，有效捕獲新聞文章的文本信息、用戶信息、用戶評論信息以及網(wǎng)絡(luò)結(jié)構(gòu)信息，通過一種獨(dú)特的方式實(shí)現(xiàn)了對虛假新聞的更精準(zhǔn)檢測。

本模型還具有高度的可擴(kuò)展性，作為一種通用的圖表示學(xué)習(xí)模型，它不需要任何手工制作的特征或先驗(yàn)知識，這使得其可以輕松地適應(yīng)不同的應(yīng)用場景和數(shù)據(jù)集，為其他基于異構(gòu)網(wǎng)絡(luò)的問題提供了有效的解決方案。

參考文獻(xiàn)：

[1］吳博，梁循，張樹森，等.圖神經(jīng)網(wǎng)絡(luò)前沿進(jìn)展與應(yīng)用[J].計算機(jī)學(xué)報，2022，45（1）：35-68.WU B，LIANG X， ZHANG S S，et al. Advances and ap-plicationsin graphneural network[J].ChineseJournal ofComputers，2022，45（1）：35-68.

[2] 王靜，何苗苗，丁建立，等．面向多維時間序列異常檢測的時空圖卷積網(wǎng)絡(luò)[J]．西安電子科技大學(xué)學(xué)報，2024，51（3）：170-181.WANGJ，HEMM，DINGJL，etal.Spatial-temporalgraphconvolutional networks for anomaly detectionin mul-tivariate time series[J].Journal of Xidian University，2024，51（3）：170-181.

[3] 王玉璽，齊鋒，柯明星，等.透過俄烏沖突看人工智能對認(rèn)知領(lǐng)域作戰(zhàn)影響[C]//第十一屆中國指揮控制大會論文集.國防科技大學(xué)電子對抗學(xué)院，2023：5.WANG Y X，QI F，KE M X. Look at AI's impact on cog-nitivefield operations through the Russia Ukraine conflict[C]//Proceedings of the 11^th China Command and Con-trolConference.CollegeofElectronicWarfare，NationalUniversity ofDefense Technology，2023：5.

[4] Xinyi Zhou，Reza Zafarani.Fakenews：A survey of re-search，detectionmethods，and opportunities[J/OL].InarXivpreprintarXiv：1812.00315，2018.

［5］楊圣鵬，施建棟，周斯煒，等．基于圖框架變換的動態(tài)圖神經(jīng)網(wǎng)絡(luò)模型[J]．浙江師范大學(xué)學(xué)報（自然科學(xué)版），2024，47（1）：19-28.YANG S P， SHI JD， ZHOU S W，et al.Dynamic graphneural network model based on graph framelets transform[J].Journal of Zhejiang Normal University（Natural Sci-ences），2024，47（1）：19-28.

[6］張明書，葛曉義，魏彬．基于情感特征和謠言種類的謠言檢測[J]．計算機(jī)仿真，2023，40（6）：21-25，60.ZHANG MS，GE X Y，WEI B. Rumor detection basedon emotional features and types of rumors[J].ComputerSimulation，2023，40（6）：21-25，60.

[7］韓浩．基于多任務(wù)學(xué)習(xí)的假新聞檢測［D]．哈爾濱：哈爾濱工業(yè)大學(xué)，2020.HAN H. Fake news detection based on multi-task learning[D].Harbin：Harbin Institute of Technology，2020.

[8］柳曉翠．基于機(jī)器學(xué)習(xí)算法的虛假新聞檢測研究[J].信息技術(shù)與信息化，2021（9）：237-239.LIU X C.Research on 1 news detection based on ma-chine learningalgorithm[J].Information TechnologyandInformatization，2021（9）：237-239.

［9］王光晨．生成式自動文本摘要研究[D]．保定：河北大學(xué)，2021.WANG G C. Research on generative automatic text sum-marization[D].Baoding：Hebei University，2021.

[10]SHUK，MAHUDESWARAND，WANGSH，etal.Fak-eNewsNet：a data repository with news content，socialcontext，and spatiotemporal information for studying fakenews on social media［J].BigData，2020，8（3）：171-188.

[11] CUI L M， SHU K， WANG S H，et al. dEFEND： a sys-tem for explainable fake news detection[C]//Proceedingsof the 28th ACM International Conference on Informationand Knowledge Management. Beijing China，2019：2 961-2 964.

（責(zé)任編輯：許韋韋）