一、项目背景

社交媒体的发展带来了信息获取的便捷，但也伴随着大量虚假信息的传播，尤其在健康领域，公众因缺乏专业知识难以区分真伪。虚假新闻不仅误导公众，还可能降低政府和专家的公信力。现有研究对时间信息和社交媒体新闻信息的整合利用不足，限制了健康虚假新闻检测的发展。

二、成果一：知识引导的归纳图神经网络（KG-IGNN）模型

1.主要解决的问题及具体方法

为了解决健康领域虚假信息检测中的专业知识缺乏问题，我们设计了 KG-IGNN 模型。该模型利用知识图谱中的专业信息丰富社交媒体文本的语义特征，通过图神经网络优化特征表示，利用文章的邻居节点进行信息归纳和推理。

2.创新点

知识图谱融合：引入健康领域的专业知识图谱，提升语义理解和判断能力。

图神经网络优化：利用文章邻居节点的信息，增强模型的分析和推理能力。

3.实践推广应用效果

实验结果表明，KG-IGNN 模型相比现有方法有显著性能提升，能有效提高健康虚假信息检测的准确性和鲁棒性，为公众提供更可靠的信息鉴别工具，提升政府和专业机构的公信力。

三、成果二：时间间隔引导的知识归纳式图神经网络（TIG-KIGNN）

1.主要解决的问题及具体方法

专业知识缺乏：引入医学知识图谱，提供可靠判断依据。

时间信息利用不足：开发时间间隔分析方法，通过新闻发布时间与事件发生时间的差异，提供真实性评估的时间信息。

新闻信息整合不足：使用图神经网络技术，聚合社交媒体相关新闻，丰富语义。

2.创新点

医学知识图谱：通过专业知识辅助判断，提高新闻真伪鉴别能力。

时间间隔编码：增加时间维度，提升真实性评估。

信息聚合：图神经网络综合分析社交媒体文本，提升检测准确性。

3.实践推广应用效果

在 ReCOvery 数据集上的实验表明，TIG-KIGNN 模型的预测效果优于基线模型。模型帮助公众更好地鉴别健康新闻真伪，提升政府和专业机构的公信力。

四、成果三：基于知识图谱的虚假新闻检测软件

1.主要解决的问题及具体方法

专业知识缺乏：通过知识图谱提供健康领域知识支持，帮助用户辨别新闻真伪。

信息利用不足：利用图神经网络技术，整合社交媒体多源新闻信息，提升检测效果。

2.创新点

知识图谱支持：提升软件的新闻真伪鉴别能力。

图神经网络：整合多源信息，增强分析能力。

3.实践推广应用效果

该软件在多个场景中推广使用，效果显著。实际应用表明，软件能有效提高健康新闻真伪鉴别的准确性，减少虚假新闻对公众的误导，提升政府和专业机构的公信力。

KG-IGNN 封面与第一页:

TIG-KIGNN 封面与第一页：

软著授权书：