ACLApr, 2019

SemEval-2019 任务 7：使用 ELMo 卷积对付谣言

PDF
TL;DR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。
semevalrumorevalneural networkelmo embeddingsf1-score
发现论文，激发创造
  • BUT-FIT 在 SemEval-2019 任务 7 中：使用预训练的深度双向 Transformer 来确定谣言立场

    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

  • SemEval-2017 任务 8：RumourEval：确定谣言的真实性和支持

    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

  • Turing 在 SemEval-2017 Task 8 中：使用 Branch-LSTM 的序贯方法进行谣言立场分类

    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

  • 基于极大语言模型的谣言评估

    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

  • 使用 Fine-Tune Longformer 联合预测谣言态度和真实性

    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

  • RumourEval 2019: 确定谣言真实性和支持谣言

    本篇论文提出了 RumourEval-2019 的提案，旨在增加自动声称验证的兴趣，扩大数据集范围并且通过 tweets 分类的方式为鉴别谣言提供帮助。

    Sep, 2018

  • 建模会话结构和时间动态以共同预测谣言立场和真实性

    本文提出了一种基于图卷积神经网络的层级多任务学习框架，用于同时预测 Twitter 上谣言立场和可信度，底部组件使用结构属性建模来分类谣言推文的立场，而顶部组件通过利用立场演变的时间动态来预测谣言的真实性。实验结果表明，我们的方法在谣言立场分类和真实性预测方面均优于以往的方法。

    Sep, 2019

  • 一种基于情感感知的多任务迁移学习方法，用于虚假新闻和谣言检测

    本文提出了一种基于情感分类的多任务框架，利用迁移学习技术标记四个假新闻检测和谣言检测数据集，并证明了情感与假新闻和谣言检测的合法性的相关性，进而提供了一种改进的特征提取方法。实验结果证明，该多任务模型在准确性、精确度、召回率和 F1 分数方面一致优于单任务方法，无论是在同领域还是异领域的数据集中。

    Nov, 2022

  • 基于多模态融合框架和集成学习的谣言分类

    本研究提出了一个基于图像特征和集成学习算法的 MONITOR 框架，用于在社交网络中评估信息真实性，并在两个真实数据集上进行广泛实验，结果显示 MONITOR 优于现有的机器学习基线，并且集成模型显着提高了 MONITOR 的性能。

    Jan, 2023

  • 生成无监督的抽象解释用于谣言验证

    社交媒体上的谣言验证任务涉及根据产生的会话线程来评估主张的真实性。我们通过使用事后可解释方法评分来得到最重要的帖子，然后使用这些帖子通过模板引导总结生成信息性的解释总结，表明解释的抽象总结比仅使用线程中排名最高的帖子更具信息性并更好地反映了预测的谣言真实性，从而重新制定此任务。

    Jan, 2024