EMNLPSep, 2019

建模会话结构和时间动态以共同预测谣言立场和真实性

PDF
TL;DR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。
rumor veracity predictionrumor stance classificationgraph convolutional networktemporal dynamicstwitter
发现论文，激发创造
  • 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

  • 利用情感信息和对话结构进行 Twitter 谣言分析的立场分类

    本研究探讨了一种基于情感和对话的特点的方法，应用于 SemEval2017 任务 8 - 子任务 A（英文推文中的谣言立场分类），用于预测 Twitter 中新兴谣言的用户立场，以支持、否认、询问或评论原始谣言，并证明了所提出的特征集的有效性。

    Jan, 2019

  • 在社交媒体对话的树形结构上利用顺序任务进行谣言立场分类

    本篇论文介绍了一种新的方法，利用 Twitter 上树形结构的对话线程来确定支持、否认、质疑或仅评论谣言的状态分类，实现了提高分类准确度的效果。此外，本文第一次将 Twitter 对话模型化为树形结构，为解决 Twitter 对话上的 NLP 任务提供了创新性的思路。

    Sep, 2016

  • 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

  • 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

  • 运用序列分类器的社交媒体言论感情态度分类

    研究论述了针对社交媒体中的谣言态度进行分类的方法，通过使用时序分类器，利用社交媒体交互或对话线程中固有的话语特征来评估其表现，结果显示出这种分类器对于特定的观点判断要比非时序分类器更为准确，LSTM 分类器的性能最佳，数据集和观点类型均表现出较高的准确性；此外，该研究分析了所研究的不同特征，并鉴别出在区分观点方面最有帮助的特征。

    Dec, 2017

  • 一种基于弱监督传播模型的谣言验证和立场检测方法，利用多实例学习实现

    通过多示例学习方案，我们提出了基于树结构的弱监督框架来联合分类谣言和立场，这里只需要关于真实性的包级标签。最后，我们提出了分层注意力机制来聚合二进制预测，通过在三个 Twitter 数据集上进行广泛的实验，证明了我们的模型在与现有方法相比的认领级别的谣言检测和帖子级别的立场分类方面具有良好的性能。

    Apr, 2022

  • 全能型协同学习：谣言辨别

    本文提出一种多任务学习方法，将谣言检测、跟踪、立场分类等环节相结合，从而改善谣言验证性能，并探究了数据集属性与多任务学习模型输出结果之间的联系。

    Jun, 2018

  • 使用指导索赔的分层图注意网络在 Twitter 上检测谣言

    本研究提出了一种称为单元引导层次图注意力网络的方法，利用社交上下文以增强响应帖子的表征学习，并在 Twitter 上展示了其优越的谣言检测能力。

    Oct, 2021

  • 运用高斯过程进行社交媒体谣言立场分类

    本文旨在开发一个自动化、监督的分类器，使用多任务学习来分类疑点话题中每个个体推文中的立场，从而将高争议的流言标记为潜在的虚假信息。我们的分类器基于高斯过程，探究其有效性并对具有不同特征和立场分布变化的两个数据集进行探索性研究。结果表明，我们的方法始终优于其他基线分类器。特别是在估计与给定流言相关的不同类型立场的分布方面，我们的分类器非常有效。这是我们要提出的一种理想特征，用于跟踪流言并向普通 Twitter 用户和专业新闻从业者发出警告。

    Sep, 2016