Nov, 2018

在检查虚假新闻的背景下，结合相似度特征和深度表示学习进行立场检测

PDF
TL;DR本研究利用深度神经网络结合字符串相似度特征，对假新闻检测问题进行了研究，主要包括利用各类神经网络对新闻标题及新闻文章进行编码表示、相似性比较，并探索利用预训练等额外信息的效果，结果表明，在假新闻检测上，该模型略优于之前的最优模型。
fake newsmachine learningstance detectionneural networkpre-training
发现论文，激发创造
  • 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

  • 针对虚假新闻挑战赛立场检测任务的回顾性分析

    本研究深入分析了 2017 年虚假新闻挑战的实验设置，提出了适用于少数类别的新的评估度量标准，并提出了一个表现与最佳系统相当的新型特征丰富的堆叠 LSTM 模型，同时对其在领域内和领域间的推广效果进行了定量和定性的研究。

    Jun, 2018

  • 卷积神经网络和深度神经网络的组合在假新闻检测中的应用

    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

  • 从 Transformer 到 Fake News Challenge 立场检测的迁移学习 (FNC-1) 任务

    本研究利用 Transformer 架構的 BERT、XLNet 和 RoBERTa 進行 Fake News Challenge 中的立場檢測，將 BERT 句子嵌入應用到模型中，取得了最佳表現和狀態下的成果。

    Oct, 2019

  • 对假新闻立场的取向：基于深度双向 Transformer 语言模型的立场检测自动化虚假信息评估

    本研究旨在探索如何使用大规模深度双向转换器语言模型来准确识别包含虚假信息的新闻文章，通过使用 RoBERTa 深度双向转换器语言模型进行预训练后构建了一个大规模语言模型，在 Fake News Challenge 阶段 1 基准测试中实现了 90.01％的加权准确度，表明了在处理虚假信息识别方面，大规模语言模型可以作为强有力的构建块。

    Nov, 2019

  • Fake News Challenge 立场检测任务的简单而强大的基准线

    该论文介绍了一个能够识别公众错误信息、帮助事实核查的简单实用的立场判断系统，它在 Fake News Challenge 的第一阶段中获得第三名，与前两名获胜队伍的复杂集成方法相比表现竞争力，作者将其提议为 Fake News Challenge 立场检测任务的简单但强大的基线。

    Jul, 2017

  • 使用混合 CNN 和 RNN 模型在 Twitter 上识别假新闻

    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

  • 自动检测虚假新闻的深度学习方法

    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

  • TieFake：标题 - 文本相似度和情感感知假新闻检测

    文章提出了 TieFake 方法，利用 BERT 和 ResNeSt 进行生成文字和图像的表示，采用 publisher 情感提取器捕获新闻内容中作者的主观情感，并提出了一个数字点积注意机制来捕获标题特征与文字特征之间的相似性，用于检测社交媒体上的假新闻，并在两个数据集上进行了实验证明其有效性。

    Apr, 2023

  • 评估深度学习方法用于 Covid19 虚假新闻检测

    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