Aug, 2019

社交媒体和新闻文章中虚假信息的情感分析

PDF
TL;DR通过情感分析比较真假新闻的语言使用，并考虑了社交媒体和在线新闻来源的虚假信息类型（宣传、谣言、点击草率和讽刺）; 我们的实验表明，虚假信息在每种类型中都具有不同的情感模式，情感在欺骗读者方面发挥了关键作用； 基于此，我们提出了一个采用情感注入的 LSTM 神经网络模型来检测假新闻。
fake newsemotion analysislstm neural networkdeceptionsocial media
发现论文，激发创造
  • FakeFlow：基于情感信息流的假新闻检测

    该论文提出了一种使用神经架构建模虚假新闻文章中情感信息流的方法，结果表明，该模型 FakeFlow 在四个真实数据集上超越了现有方法，证实了捕捉新闻文章中情感信息流的重要性。

    Jan, 2021

  • 情感检测在虚假信息中的应用：一项综述

    社交媒体兴起以来，越来越多的网民在线上分享和阅读帖子和新闻。然而，泛滥于互联网的大量错误信息（例如虚假新闻和谣言）会对人们的生活产生负面影响，这引发了对谣言和虚假新闻检测的热门研究课题。网民在社交媒体帖子和新闻中表达的情绪和情感是帮助区分虚假新闻和真实新闻，以及理解谣言传播的重要因素。本文全面回顾基于情绪的误信息检测方法。我们首先解释情绪与误信息之间的紧密联系。接着，我们详细分析了多种基于情绪、情感和立场特征的误信息检测方法，描述它们的优势和劣势。最后，我们讨论了基于大型语言模型的基于情绪的误信息检测面临的一些挑战，并提出了未来的研究方向，包括数据收集（多平台、多语言）、标注、基准测试、多模态以及可解释性。

    Nov, 2023

  • 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

  • 一种用于假新闻检测的双向 LSTM 方法

    本研究使用双向 LSTM 算法对一定数量的外文新闻网站和报纸进行数据收集，在训练数据上达到 84% 的模型准确度和 62.0 的 F1 宏平均得分，以确定新闻真假。

    Jun, 2022

  • 虚假新闻的预测语言线索：一个社会人工智能问题

    使用机器学习算法分析媒体新闻的语言特征，以区分真假新闻，主要解决神经假新闻生成、机器生成的标题、文本和图像标题之间的语义矛盾等问题。同时提出应用特征集和类别、特征之间的相关性计算相关属性评估指标和计算属性变量的协方差指标来模拟这些问题。其中独特、负面、积极和基数数字特征在度量中得分高，能够提供高的 AUC 和 F1-score。

    Nov, 2022

  • 情感认知提高健康虚假新闻辨别

    本研究考虑了新闻文章情感信息对健康领域虚假新闻识别的作用，利用情感强度词库开发情感化文本表示技术，在多种监督和无监督情况下评估了该表示技术的实用性，结果表明情感信息的使用可以显著提高健康领域识别虚假信息的准确率。

    Jun, 2019

  • 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

  • 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

  • 挖掘双重情感用于虚假新闻检测

    本研究为提高假新闻检测效果，通过验证双重情感在真实新闻和假新闻中的差异，并提出双重情感特征用于表征社会情感和发布情感，并与现有的假新闻检测器兼容，可有效提高假新闻检测性能。

    Mar, 2019

  • COVID-19 的假新闻检测与行为分析

    本文通过深度学习和集成学习方法，成功识别出社交媒体上的假新闻，并且对其话题进行了研究，发现其中一半话题与真实新闻相同，可能会导致人们的混淆。

    May, 2023