Jul, 2019

自然语言推断下的虚假新闻检测

PDF
TL;DR该报告描述了智能知识管理实验室参加 WSDM 2019 虚假新闻分类挑战的情况。我们使用自然语言推理（NLI）来处理任务，使用最强的 NLI 模型以及 BERT 进行单独训练。我们将这些结果集合起来，分两个阶段对带有嘈杂标签的结果重新训练。我们分析了训练和测试集中的传递性关系，并确定了一组可靠分类的测试用例。其余的测试用例则由我们的集合分类。我们的参赛作品在比赛中取得了 88.063％的测试准确率，获得了第三名。
intelligent knowledge managementwsdm 2019fake news classificationnatural language inferencebert
发现论文，激发创造
  • 使用知识增强语言模型评估假新闻检测

    本研究探讨了将丰富的人类编写的事实信息知识库集成到语言模型中，以提高假新闻检测的效果和鲁棒性。通过使用维基数据等知识库的几种最先进的知识集成方法，在 LIAR 数据集和 COVID-19 数据集这两个广受欢迎的假新闻数据集上进行了实验研究。实验结果表明，基于知识的模型可以显着提高假新闻检测在 LIAR 数据集上的效果，而在 COVID-19 数据集上的混合结果，则强调了领域特定的、最新的知识库的重要性。

    Apr, 2022

  • 伪新闻检测模型的对抗性基准测试

    本文提出了一个对抗性基准测试，旨在测试虚假新闻检测器推理现实世界事实的能力，使用 BERT 分类器 fine-tuned 在 LIAR arXiv:arch-ive/1705648 和 Kaggle Fake-News 数据集上，结果显示这两种模型在处理组合语义、词汇关系和修饰符等方面的意思变化上存在失败的情况。这表明虚假新闻检测器需要与其他事实检查方法一起使用。

    Jan, 2022

  • 通过自然语言处理进行的假新闻检测容易受到对抗性攻击

    本文探讨了现有的假新闻检测方法存在的问题，并提出加入事实核查与语言分析相结合的方法，以应对新闻篡改攻击和真实新闻被误判的情况。作者提出采用众包知识图谱解决新闻事件事实搜集的问题。

    Jan, 2019

  • 多语言数据分类的终身学习自然语言处理方法

    本研究提出了一种基于终身学习和多语言知识转移的新型假新闻检测方法，该方法利用传统特征提取器和深度自然语言处理模型结合多层感知器分类器，可以在英语和西班牙语数据集上提高假新闻分类任务的性能。

    May, 2022

  • Factify 2: 多模态假新闻检测研究结果

    社交媒体的迅速增长导致虚假新闻泛滥，因此自动检测和验证虚假信息的研究变得尤为重要。本研究介绍了 Factify 2 任务的结果，提供了一个多模态事实验证和讽刺新闻数据集，并使用基于多模态关系将社交媒体索求与支持文件进行比较，最终得到 81.82% 的最高 F1 分数。

    Jul, 2023

  • 运用自然语言处理和机器学习开发伪新闻模型

    通过机器学习算法，在两个公开数据集上进行实验分析，研究了如何检测和区分真假新闻，结果表明采用了三种分类器：被动型侵略性、朴素贝叶斯和支持向量机，这种方法具有良好的性能表现。

    Jan, 2022

  • 基于机器学习技术的假新闻检测

    我们使用自然语言处理方法对 1876 条新闻数据进行预处理，通过训练模型将假新闻和真实新闻进行分类，最终通过 Naive Bayes 分类器得出 56% 的准确率和平均 32% 的 F1-macro 得分。

    Sep, 2023

  • LingML: 基于语言的机器学习技术用于增强假新闻检测

    通过在机器学习中引入语言学知识，本研究提出了一种新的方法 LingML 用于检测假新闻，实验证明该方法的效果非常好，尤其当与自然语言处理的大规模机器学习模型结合时，能够超越现有的方法，为有效和高效的假新闻检测开辟了新的途径。

    May, 2024

  • UrduFake@FIRE2020: 乌尔都语假新闻识别共享赛道

    本文简要介绍了 2020 年 FIRE 第一次共享任务中的虚假新闻检测在乌尔都语中的应用及其表现，这是一个二元分类任务，旨在通过使用 900 个经过注释的新闻文章进行训练和 400 个新闻文章进行测试以识别虚假新闻。最好的性能系统 F 值为 0.90，表明 BERT​​-based 方法优于其他机器学习分类器。来自 6 个不同国家的 42 个团队注册了该任务，其中 9 个团队提交了结果。

    Jul, 2022

  • Constraint 2021: COVID-19 虚假新闻检测机器学习模型共享任务

    本研究为 Constraint 2021 年 COVID-19 虚假新闻检测共享任务做出了贡献，提出了将经典机器学习算法与语言学特征相结合的方法，在数据预处理方面进行了多种尝试并得到了不错的结果。通过使用线性支持向量机算法，在测试数据上获得了 95.19% 的加权平均 F1 得分，名列排行榜第 80 位。

    Jan, 2021