RumourEval 2019: 确定谣言真实性和支持谣言
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。
Apr, 2017
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
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
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
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
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
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
本文研究如何将模型和数据的不确定性估计融入自然语言处理模型中,用以辨识在线谣言,我们提出了两种基于不确定性的算法,并证明可以优先处理容易出错的实例进行人工事实核查。同时,我们还展示了如何使用不确定性估计来解读谣言传播中的模型表现。
May, 2020