Publicação: Detecção precoce de rumor: avaliação da eficácia do uso de redes neurais de grafo
Carregando...
Arquivos
Tipo do documento
Data
Direito de acesso
Área do conhecimento
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO::ENGENHARIA DE SOFTWARE, CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO::LINGUAGENS DE PROGRAMACAO, CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO::ENGENHARIA DE SOFTWARE
Título da Revista
ISSN da Revista
Título de Volume
Autores
Orientador
Coorientador
Paiva, Elaine Ribeiro de Faria
Resumo
A área de pesquisa de combate à desinformação nas mídias sociais tem exigido mé
todos cada vez mais robustos de detecção de rumores e notícias falsas. É nesse contexto
que este estudo avalia o uso de Redes Neurais de Grafos (GNN’s) para detecção de ru
mores, comparando-as com modelos tradicionais da literatura com foco no desempenho
de detecção precoce. O método proposto inclui o desenvolvimento de um módulo padro
nizado para comparativo e teste rápido de algoritmos que garante divisões cronológicas
dos dados para evitar vazamentos de informação e refletir melhor a propagação de rumo
res em cenários reais. Esse módulo possibilita o retreinamento e inferência incremental,
para computar as atualizações nos atributos temporais da base de treino e também ar
mazenar as principais métricas de classificação, fornecendo metadados sobre a eficácia
na detecção precoce. Utilizando o conjunto de dados PHEME, um grafo heterogêneo
foi gerado para modelar as interações entre tweets e usuários. Dois macroexperimentos
foram executados para testar as duas GNNs, juntamente com os modelos LightGBM,
Random Forest e LSTM.Os resultados mostraram que as GNNs alcançam um melhor
equilíbrio entre precisão e revocação do que os modelos que processam dados tabulares,
demonstrando seu potencial para detecção de desinformação em tempo real, ao capturar
de forma eficaz as relações complexas entre tweets e usuários. Esta pesquisa contribui
para a área de detecção de rumores por meio do aprendizado em grafos, fornecendo
técnicas mais adequadas para a concepção de novos algoritmos, através da padronização
de procedimentos com foco na detecção precoce.
Abstract
The field of research focused on combating misinformation on social media has incre
asingly demanded robust methods for detecting rumors and fake news. In this context,
this study evaluates the use of Graph Neural Networks (GNNs) for rumor detection,
comparing them with traditional models from the literature, with an emphasis on early
detection performance.The proposed method includes the development of a standardized
module for quick algorithm testing and comparison, ensuring chronological data splits
to prevent information leakage and better reflect rumor propagation in real-world scena
rios. This module enables retraining and incremental inference to account for updates in
the temporal features of the training data. It also stores key classification metrics, pro
viding metadata about the effectiveness in early detection.Using the PHEME dataset,
a heterogeneous graph was generated to model interactions between tweets and users.
Two main experiments were conducted to test two GNNs, along with the LightGBM,
Random Forest, and LSTM models.The results showed that GNNs achieved a better
balance between precision and recall than models that process tabular data, demonstra
ting their potential for real-time misinformation detection by effectively capturing the
complex relationships between tweets and users. This research contributes to the field of
rumor detection through graph-based learning, providing more suitable techniques for
designing new algorithms by standardizing procedures focused on early detection.
Palavras-chave
Detecção de Rumor, Rumor Detection, Grafos Heterogêneos, Heterogeneous Graphs, Redes Neurais de Grafo, Graph Neural Networks, Computação
Citação
SANTOS, Douglas Melo dos Santos. Detecção precoce de rumor: avaliação da
eficácia do uso de redes neurais de grafo. 2025. 91f. Dissertação (mestrado em Ciência da Computação) - Universidade Federal de Uberlândia, Uberlândia, 2025. Disponível em http://doi.org/10.14393/ufu.di.2025.5213
Avaliação
Revisão
Suplementado Por
Referenciado Por
Licença Creative Commons
Exceto quando indicado de outra forma, a licença deste item é descrita como Acesso Aberto