本文介绍了 Fake News Challenge stage #1 (FNC-1) 数据集并概述了使用该数据集构建伪新闻检测系统的竞争尝试。通过使用不同的自然语言处理技术处理标题和正文文本,提取特征并使用软余弦相似性方法计算相似度。该系统使用深度学习方法进行分类,除了 “disagree” 类别外,其余类别均达到高准确性,最终分类准确率达到 84.6%,在该数据集上排名第二。
Oct, 2022
本文提出一种利用卷积神经网络和长短期循环神经网络模型的混合方法,从 Twitter 帖子中检测和分类假新闻信息的框架,精度可达 82%。该方法能够直观地识别假新闻故事的相关特征而无需领域知识。
Jun, 2018
本文研究通过数据挖掘的角度对社交媒体上的假新闻进行自动检测,并用不同的文本分类算法在 Contraint@AAAI 2021 Covid-19 假新闻检测数据集上进行评估。通过使用卷积神经网络(CNN)、长短时记忆(LSTM)和双向编码器变换器(BERT)来进行分类,并评估了无标签 Covid 推文语料库中的无监督学习的重要性。最终结果在 Covid-19 假新闻检测数据集上表现出 98.41%的最佳准确性。
Jan, 2021
本文探讨了从在线社交网络中检测虚假新闻文章、制作者和主题的原则、方法和算法,并评估了相应性能,提出了 FAKEDETECTOR 自动虚假新闻可信度推断模型,通过从文本信息中提取的显性和潜在特征,构建了一个深度扩散网络模型,同时学习新闻文章、制作者和主题的表示。实验结果证明了所提出模型的有效性。
May, 2018
研究分析了基于混合图神经网络和 transformer 模型的社交语境对于发现假新闻的作用,并且在 PolitiFact 和 Gossipcop 数据集上获得了 0.91 和 0.93 的 f1 得分,表现优于基线模型。
Jul, 2022
本文利用几何深度学习模型对推特上的新闻内容、用户画像、行为,社交网络结构与传播进行深度融合,基于传播模式的方法可以高效地提取特征,提高了对于虚假新闻的识别率,在短时间内便可可靠地便可侦测出,同时与现存的基于内容分析的方法有互补性和多个优势。
Feb, 2019
通过图论和深度学习的方法对基于图的假新闻检测进行系统的综述,将现有方法分类为知识驱动、传播驱动和异构社交环境驱动的方法,并讨论了图论假新闻检测中的挑战和未来研究方向。
Jul, 2023
该研究针对含有大量内容的新闻文章,提出了一种基于内容检测伪新闻的方法,使用多维张量分解得到每篇文章的嵌入特征,并通过在文章之间创建图来传播有限标签,实验结果表明该方法能够使用更少的标签实现更好的检测精度。
Apr, 2018
提出了两种基于深度学习的模型,用于在多个领域的在线新闻内容中解决虚假新闻检测问题,并在 FakeNews AMT 和 Celebrity 两个数据集上评估,取得了很好的性能并超过了当前最先进的基于手工特征工程的系统。同时,进行了跨领域分析以探索系统在不同领域的适用性。
May, 2020
本论文主要针对基于传播的假新闻检测,利用图神经网络实现无需文本信息的分类方法,研究了在新数据集上的性能问题,并提出了利用持续学习方法解决的方案。
Jul, 2020