EMNLPSep, 2017

使用注意力机制和语言特征的讽刺新闻检测和分析

PDF
TL;DR该研究通过引入神经网络和关注机制，考虑段落级别的语言特征来有效识别讽刺新闻，揭示重要的特征在不同级别的作用差异。
satirical newsdeceptionharmparagraph-level linguistic featuresneural network
发现论文，激发创造
  • 使用语义和语言线索鉴别假新闻与讽刺中的微妙差别

    本文研究自动分类假新闻和幽默新闻，结合语义表示、最新的语言模型和基于文本连贯性的语言特征，通过实证评估表明该方法优于基于语言的基线，并探讨假新闻和幽默新闻之间的差异。

    Oct, 2019

  • 使用文本和视觉线索进行讽刺检测的多模态方法

    本文研究了关于讽刺新闻的多模态方法，并使用基于 ViLBERT 模型的新数据集对其进行评估，结果表明我们提出的多模态方法优于仅使用图像或文本或简单融合的方法。

    Oct, 2020

  • 对抗性训练在讽刺检测中的应用：对混淆变量的控制

    本文介绍了一种新的用于讽刺检测的模型，该模型包括对抗性部分以控制发布源的混杂变量，最终得到了可观的讽刺分类性能和显著下降的发布分类性能。通过分析得出，对抗性组件是该模型关注讽刺语言属性的关键。

    Feb, 2019

  • 逆向工程讽刺，或 “计算幽默论文” 尽管取得重大进展仍被接受

    本文深入探讨了讽刺新闻标题的语法和语义结构，找到了制造幽默的关键词和概念，为构建制造幽默的系统提供了新的见解。

    Jan, 2019

  • 虚假新闻的预测语言线索：一个社会人工智能问题

    使用机器学习算法分析媒体新闻的语言特征，以区分真假新闻，主要解决神经假新闻生成、机器生成的标题、文本和图像标题之间的语义矛盾等问题。同时提出应用特征集和类别、特征之间的相关性计算相关属性评估指标和计算属性变量的协方差指标来模拟这些问题。其中独特、负面、积极和基数数字特征在度量中得分高，能够提供高的 AUC 和 F1-score。

    Nov, 2022

  • 句子交互是否重要？利用句子级别表示进行虚假新闻分类

    借助图神经网络模型，开发了一种可以自动检测假新闻的方法，在对长篇新闻文章进行分类时无需进行特征工程，与目前已有的强基线神经网络相比，该方法在精细分类上取得了最新的最高准确率，并且在域外情况下也具有很好的泛化能力。

    Oct, 2019

  • 通过自然语言处理进行的假新闻检测容易受到对抗性攻击

    本文探讨了现有的假新闻检测方法存在的问题，并提出加入事实核查与语言分析相结合的方法，以应对新闻篡改攻击和真实新闻被误判的情况。作者提出采用众包知识图谱解决新闻事件事实搜集的问题。

    Jan, 2019

  • QCRI-MIT 团队在 SemEval-2019 任务 4 中：宣传分析与超极端新闻检测相遇

    本文报道了我们在 SemEval-2019 任务 4 中提出的超级党派新闻检测系统，该系统主要使用一些原本用于检测宣传的工程特征。我们训练了一个基于逻辑回归模型的分类器，并使用从简单单词袋到词汇丰富度和文本可读性等特征来训练它。我们的系统在手动注释的测试数据上实现了 72.9% 的准确率，而在带有远程监督标注的测试数据上则实现了 60.8% 的准确率。另外的实验表明，使用更好的特征预处理可以大幅提高性能。

    Apr, 2019

  • 使用混合神经网络进行讽刺语言检测

    通过引入新的由新闻头条数据集组成的数据集，以及使用子神经网络和注意机制，本论文提出了一种有效识别铁 y 定义类的方法，其在分类精度方面优于基准线约 5%。

    Aug, 2019

  • 结合神经网络、统计和外部特征在假新闻识别中的益处

    本文探讨假新闻鉴别的子任务，即立场检测，并提出了一种新的思路，将神经网络、统计特征和外部特征结合起来，通过深度神经网络将这些特征组合在一起，最终对新闻标题 - 正文进行分类，并在假新闻挑战数据集上进行了实验，结果表明该模型胜于现有的所有技术。

    Dec, 2017