Feb, 2019

利用几何深度学习技术识别社交媒体上的虚假新闻

PDF
TL;DR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。
发现论文，激发创造
  • 基于图神经网络的假新闻检测：一项调查

    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

  • 基于图神经网络的社交背景建模用于假新闻检测

    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

  • 利用连续学习的图神经网络检测社交媒体中的虚假新闻

    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

  • 基于图神经网络和常用机器学习算法的假新闻检测比较分析

    本文研究了利用图神经网络技术和机器学习算法探测社交媒体平台上的虚假新闻传播，发现图神经网络对于虚假新闻的辨别效果最好。

    Mar, 2022

  • 用于假新闻检测的分级传播网络：调查和利用

    本文针对社交媒体上越来越普遍的假新闻现象展开研究，提出了一种基于新闻分级传播网络的假新闻检测方法，通过对假新闻和真实新闻的传播网络特征进行了比较分析，认为可以利用语言特征和结构特征检测假新闻，并验证了这些特征的有效性。该研究为更健康的在线新闻生态系统铺平了道路。

    Mar, 2019

  • 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

  • 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

  • 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

  • 利用异质社交媒体上下文图探究虚假新闻检测

    通过构建多种异质社交上下文图并将问题重新定义为图分类任务，本文提出了一种高效的方法来检测虚假新闻，并在常见基准数据集上获得了鲁棒的结果，研究成果表明将不同类型的信息（以获得何种社交上下文水平最有效）与使用不同的图形神经网络架构相结合非常有效。

    Dec, 2022

  • 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