论文链接：https://arxiv.org/abs/2002.04397
思想：假新闻的检测不仅和内容相关，和其相关背景有关，作者选择了新闻的创作者（creators）和新闻主题（subjects）作为背景进行假新闻检测，作者搜集了creators和subjects的相关资料作为信息补充，进行假新闻的检测。
方法：使用HGAT的异质网络模型（双层注意力，节点注意力机制和节点类别注意力机制）。HGAT可以通过反向传播以端到端的方式进行优化。
HGAT包含两层attention机制，首先进行节点level的attention，将节点邻域内同一种类型的节点聚合成schema节点，然后进行schema-level的attention来聚合schema节点表示，最终使用学习到的表示进行假新闻检测。
?
优势：对假新闻检测的效果提升；模型具有可扩展性和可推广性（其他节点的分类）
HIN具有较强的表达丰富信息的能力，本文将假新闻检测问题描述为HIN中的节点分类问题。下图给出了一个面向新闻的异构信息网络(News-HIN)的示例：
数据：
数据集采用PolitiFact数据集。对于新闻报道，PolitiFact在网站上提供了原始内容、事实核查结果和全面的事实核查报告。平台根据内容将它们分类为不同的主题和话题（也就是本文中的subject）
实验：
使用0.2,0.4,0.6,0.8的比例分别做测试集，0.1的比例做验证集。将其标签融合，建模为二分类任务。
对比基线模型：
图的角度：HAN 、GAT、GCN、FakeDetector
文本分类的角度：SVM、LIWC
网络嵌入方法：Deep Walk、Line、Label Propagation (LP)
这一句写的挺好：我们也注意到了一些最近出现的假新闻检测方法[3]，[14]，但没有对它们进行比较。主要考虑的是我们面临的场景之间的差异。在[3]，[14]中，它们都利用了类似用户评论的社会背景，但HGAT旨在在相对早期阶段检测假新闻。我们不会利用用户对新闻的评论，因为当许多用户开始讨论一条假新闻时，假新闻的有害影响已经扩散
问题：
1.你是否使用基于半监督短文本分类的模型HGAT的思想完成的本篇工作。
2.HGAT的机制比起HAN和HetGNN都有啥优势，HetGNN也不用选取元路径，是否可以选择其他模型进行实验？
3.创造者的数据如何得到，以及如何编码创造者的信息。
4.可解释性，有些用户为假新闻的创作者，可以解释，如何利用主题信息判断一篇新闻的真假，主题信息在异质网络中的节点作用是什么。