그래프 구조를 살린 가짜뉴스 탐지와 노드 중심 토폴로지 특징

초록

본 논문은 기존 UPFD 프레임워크에 노드 수준의 두 가지 전통적 그래프 지표인 degree centrality와 local clustering coefficient를 추가함으로써, 정치 분야 데이터셋인 Politifact에서 매크로 F1 점수를 0.7753에서 0.8344로 크게 향상시킨다. 간단한 구현에도 불구하고 구조적 신호가 가짜뉴스 판별에 미치는 영향을 실증적으로 보여준다.

상세 분석

이 연구는 가짜뉴스 탐지에 그래프 신경망(GNN)을 활용하는 기존 흐름에 ‘명시적 토폴로지 특징’이라는 새로운 차원을 도입한다는 점에서 의미가 크다. 기존 UPFD 모델은 텍스트 임베딩(BERT)과 사용자 프로필 임베딩만을 노드 특징으로 사용하고, 그래프 구조는 GNN 내부에서 암묵적으로 학습한다. 그러나 그래프 이론에서 오래전부터 알려진 degree centrality와 local clustering coefficient는 각각 노드의 중심성(허브 역할)과 지역 커뮤니티 밀집도를 직접적으로 정량화한다. 이러한 두 지표를 원-핫이 아닌 정규화된 실수값으로 노드 특징에 연결하면, GNN이 학습해야 할 구조적 패턴이 사전에 강조된다.

실험에서는 두 가지 데이터셋, 정치 중심 Politifact과 엔터테인먼트 중심 GossipCop을 사용했으며, 특히 Politifact에서 구조적 신호가 강하게 작용함을 확인한다. 정치 뉴스는 이념적 편향이 강한 커뮤니티 내에서 퍼지는 경향이 있어, 허브 사용자와 고밀도 클러스터가 가짜와 진실을 구분하는 중요한 힌트를 제공한다. 반면 GossipCop은 콘텐츠 자체가 눈에 띄게 과장되거나 감성적이기 때문에 텍스트 특징이 주된 판단 근거가 되며, 구조적 특징이 오히려 노이즈를 추가할 가능성이 있다.

모델 아키텍처 측면에서는 기존 GCN·GraphSAGE·GAT보다 표현력이 높은 Graph Isomorphism Network(GIN)를 채택하고, 전역 어텐션 풀링을 통해 중요한 노드에 가중치를 부여한다. 이는 토폴로지 특징이 부여된 노드가 어텐션 메커니즘에 의해 자동으로 강조될 수 있게 하여, 구조와 내용이 상호 보완적으로 작용하도록 만든다. 또한, 특성 중요도 분석을 위해 ‘Feature‑Only’, ‘Structure‑Only’, ‘Original’ 세 가지 ablation을 수행했으며, Politifact에서는 텍스트보다 구조가, GossipCop에서는 텍스트가 더 큰 기여도를 보였다.

결과적으로, 단순히 두 개의 전통적 그래프 지표를 추가하는 것만으로도 매크로 F1 점수가 0.0591 상승했으며, 이는 복잡한 그래프 변형이나 추가 레이어 없이도 구조적 정보를 효과적으로 활용할 수 있음을 증명한다. 또한, 이러한 접근법은 구현이 가볍고 해석 가능성이 높아, 다른 정보 확산 기반 과제(예: 루머 전파, 여론 형성)에도 쉽게 적용할 수 있다.