Apr, 2017

SemEval-2017 任务 8：RumourEval：确定谣言的真实性和支持

PDF
TL;DR介绍了 RumourEval 项目，旨在识别和处理文本中的谣言和转发，提出了注释方案和一个包含多个主题的大型数据集，为参与方提出两个具体挑战，并介绍了参与者的成果。
post-truthveracityrumourevalannotation schemedataset
发现论文，激发创造
  • RumourEval 2019: 确定谣言真实性和支持谣言

    本篇论文提出了 RumourEval-2019 的提案，旨在增加自动声称验证的兴趣，扩大数据集范围并且通过 tweets 分类的方式为鉴别谣言提供帮助。

    Sep, 2018

  • BUT-FIT 在 SemEval-2019 任务 7 中：使用预训练的深度双向 Transformer 来确定谣言立场

    本文描述了我们提交到 SemEval 2019 任务 7 的系统：RumourEval 2019：确定谣言真实性和谣言支持，子任务 A。我们使用姿态分类来确定帖子关于前一贴和源贴的谣言立场。本文使用基于 BERT 架构的端到端系统，没有手工特征，在所提供的测试数据中达到了 61.67％的 F1 得分，获得该项竞赛的第二名。

    Feb, 2019

  • 使用 Fine-Tune Longformer 联合预测谣言态度和真实性

    本文提出了一个用于自动检测谣言立场和真实性的多任务学习框架，通过对社交媒体上的巨量数据进行聚类和分析，解决了传统处理方法效率低下的问题，实验证明该方法在 SemEval 2019 的谣言立场分类和真实性预测都优于之前的方法。

    Jul, 2020

  • SemEval-2019 任务 7：使用 ELMo 卷积对付谣言

    本文描述我们提交给 SemEval-2019 任务 7：RumorEval 的成果，我们参与了两个子任务，用基于 CNN 的神经网络和 ELMo 嵌入的辅助特征来实现子任务 A 的交互类型分类，并用 MLP 神经网络来预测给定谣言的真实性来实现子任务 B，并实现了 44.6％和 30.1％的 F1 分数，同时我们提供了系统性能的结果和分析，并进行了消融实验。

    Apr, 2019

  • 基于极大语言模型的谣言评估

    利用会话式引导工程的大型语言模型来对抗数字虚假信息，通过扩展 RumourEval 任务的研究努力，从事推特数据集的真实性预测和立场分类，以 AI 社会公益为主要目标。

    Apr, 2024

  • Turing 在 SemEval-2017 Task 8 中：使用 Branch-LSTM 的序贯方法进行谣言立场分类

    本论文阐述了团队 Turing 参加 SemEval 2017 RumourEval：确定谣言真实性和支持谣言（SemEval 2017 任务 8，子任务 A）的挑战，并通过提出一种基于 LSTM 的顺序模型，对讨论谣言的一组 Twitter 帖子进行了支持、否认、询问或评论的分类，从而在子任务 A 中表现出色，实现了 0.784 的准确率，超过了所有其他系统。

    Apr, 2017

  • 衡量有所侧重：谣言立场分类的案例

    本文主要探讨了针对不平衡数据的谣言立场分类任务评估指标的问题，并提出了新的评估指标，更能准确地反映对信息的支持和否定两种最具信息量的少数派类别。

    Oct, 2020

  • 利用情感信息和对话结构进行 Twitter 谣言分析的立场分类

    本研究探讨了一种基于情感和对话的特点的方法，应用于 SemEval2017 任务 8 - 子任务 A（英文推文中的谣言立场分类），用于预测 Twitter 中新兴谣言的用户立场，以支持、否认、询问或评论原始谣言，并证明了所提出的特征集的有效性。

    Jan, 2019

  • 社交媒体谣言检测

    本文介绍了 PHEME 项目开发的一种收集和抽样会话线程的方法，以及用于识别谣言的工具，并描述了针对 2014 年弗格森动荡期间收集的线程进行的注释任务，结果表明我们可以有效地收集社交媒体谣言并识别与多个故事相关的谣言。

    Apr, 2015

  • 社交媒体谣言的检测和解决：一项调查

    本文就社交媒体中的谣言进行了调查研究，介绍和讨论了两种流行的谣言类型，并提出了一个由四个部分组成的谣言分类系统，包括谣言检测、谣言追踪、谣言态度分类和谣言真实性分类。最终总结了社交媒体挖掘中谣言检测和解决的研究方向和建议。

    Apr, 2017