Oct, 2017

利用外部来源实现全自动事实核查

PDF
TL;DR提出了一种使用外部来源进行全自动事实核查的通用框架，该框架利用深度神经网络和 LSTM 文本编码结合任务特定的嵌入来判断声称的真实性，并将来自 Web 的相关文本片段融合其中，考虑其来源可靠性，在两个任务和数据集上均表现不错。
fact checkingrumor detectiondeep neural networklstmexternal sources
发现论文，激发创造
  • DeClarE: 使用证据感知深度学习揭穿虚假新闻和假言论

    本研究提供了一种端到端模型，该模型可对文字主张进行证据感知的可信度评估，不需要任何人类干预，并通过聚合来自外部证据文章的信号，这些文章的语言以及其来源的可信度来生成用户可理解的解释，从而提高了之前工作的局限性，实验证明其有效性。

    Sep, 2018

  • 自动事实核查：一项调查研究

    该篇论文回顾了涉及自动事实检查的相关研究，包括索取检测和索求验证组件，并探讨了自然语言处理，自动化事实检查的数据集以及提出的各种 NLP 方法在该领域发展方面所做的贡献。

    Sep, 2021

  • 自动化事实核查综述

    本文综述了基于自然语言处理的自动事实核查技术及其在相关学科里的应用。该技术使用自然语言处理、机器学习、知识表示和数据库等技术预测声称的可信度，同时介绍了现有数据集和模型，旨在统一各种定义并识别通用概念，最后提出了未来研究的挑战。

    Aug, 2021

  • 自动事实核查：任务形式，方法和未来方向

    本文通过统一任务格式和方法论，对自然语言处理等多个领域的自动事实核查研究进行了综述，重点强调了证据在这一领域的重要性，并提出了未来研究的方向。

    Jun, 2018

  • 针对自动事实验证系统的合成虚假信息攻击

    本研究探讨自动事实检查器对人工制造的对抗性证据的敏感性，研究证明这种类型的系统容易受到攻击，并讨论了现代 NLG 系统作为虚假信息生成器的威胁。

    Feb, 2022

  • 使用上下文和语篇信息进行自动事实检查

    本文研究了自动事实检查的问题，关注上下文和语篇信息的影响。研究并解决了两个相关任务：检测与检查有关的声明以及检查有关的声明。开发了基于神经网络、基于内核的支持向量机和两者组合的监督系统，在输入表示方面使用了丰富的话语线索和上下文特征。从政治辩论中着重关注可检查性估计任务，并在辩论的整个干预、前面和后续转变的语境中对目标声明进行建模，考虑语境元信息。从社区论坛中关注答案验证的事实检查任务，并将答案的真实性与其所在的整个问题 - 答案线程以及来自整个论坛的其他相关帖子的真实性进行建模。我们为两个任务开发了注释数据集，并进行了广泛的实验评估，确认两种信息 (尤其是上下文特征) 发挥重要作用。

    Aug, 2019

  • 检测先前事实核查过的言论

    本研究主要讨论了解决当前网络上 “假新闻” 和政客言论真实性验证的问题，提出了一种基于学习排序模型的检索算法，并建立了一个相关数据集，实验结果表明该方法优于现有的基于检索和文本相似度的算法。

    May, 2020

  • 自动检测虚假新闻：当前模型是 “事实核查” 还是 “直觉判断”？

    这篇研究通过多种神经和非神经预处理以及风格转移技术，消除了假新闻检测模型中情感、情绪、词性等易受攻击的指标，从而推断出这些模型中可能隐藏着可操纵的信号，并通过情感向量模型构建进一步证明了这一假设。

    Apr, 2022

  • 使用可靠来源的交叉检查实现自动假新闻检测

    本研究利用自然语言处理和机器学习技术，开发出一种自动化检测虚假新闻的方法，该方法能够对推特上发布的内容进行检测，从可靠的新闻机构中获取相关信息，并使用随机森林模型进行分类，取得了 70％的准确率， 这为虚假新闻检测提供了一种更加敏感和自然的方法。

    Jan, 2022

  • 学习自事实核查员：事实核查语言的分析与生成

    通过对 fact-checkers 的语言特征进行分析和提出建议，使用基于深度学习的文本生成框架来生成可以提高辨别信息真假的参与度的回复，提高了辨别真假信息的准确度。

    Oct, 2019