对假新闻立场的取向：基于深度双向 Transformer 语言模型的立场检测自动化虚假信息评估

Nov, 2019

对假新闻立场的取向：基于深度双向 Transformer 语言模型的立场检测自动化虚假信息评估

Taking a Stance on Fake News: Towards Automatic Disinformation Assessment via Deep Bidirectional Transformer Language Models for Stance Detection

PDF

Chris Dulhanty, Jason L. Deglint, Ibrahim Ben Daya, Alexander Wong

TL;DR本研究旨在探索如何使用大规模深度双向转换器语言模型来准确识别包含虚假信息的新闻文章，通过使用 RoBERTa 深度双向转换器语言模型进行预训练后构建了一个大规模语言模型，在 Fake News Challenge 阶段 1 基准测试中实现了 90.01％的加权准确度，表明了在处理虚假信息识别方面，大规模语言模型可以作为强有力的构建块。

Abstract

The exponential rise of social media and digital news in the past decade has had the unfortunate consequence of escalating what the United Nations has called a global topic of concern: the growing prevalence of disinformation. Given the complexity and time-consuming nature of combating

disinformation ai solutions stance detection language models combat

发现论文，激发创造

人与机器协作的虚假信息检测：立场、情感，还是其他什么？

该论文研究了如何利用情感分析、面向方面的情感分析和立场检测等机器学习技术以开发部分自动化的虚假新闻检测系统，并使用 COVID-19 散布虚假信息的四个数据集来测试这些技术的有效性

Nov, 2021

从 Transformer 到 Fake News Challenge 立场检测的迁移学习 (FNC-1) 任务

本研究利用 Transformer 架構的 BERT、XLNet 和 RoBERTa 進行 Fake News Challenge 中的立場檢測，將 BERT 句子嵌入應用到模型中，取得了最佳表現和狀態下的成果。

Oct, 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

Fake News Challenge 立场检测任务的简单而强大的基准线

该论文介绍了一个能够识别公众错误信息、帮助事实核查的简单实用的立场判断系统，它在 Fake News Challenge 的第一阶段中获得第三名，与前两名获胜队伍的复杂集成方法相比表现竞争力，作者将其提议为 Fake News Challenge 立场检测任务的简单但强大的基线。

Jul, 2017

在检查虚假新闻的背景下，结合相似度特征和深度表示学习进行立场检测

本研究利用深度神经网络结合字符串相似度特征，对假新闻检测问题进行了研究，主要包括利用各类神经网络对新闻标题及新闻文章进行编码表示、相似性比较，并探索利用预训练等额外信息的效果，结果表明，在假新闻检测上，该模型略优于之前的最优模型。

Nov, 2018

COVID-19 虚假新闻检测和事实核查的两阶段 Transformer 模型

为了在新冠疫情期间快速检测和减轻假新闻的传播，我们开发了一种基于机器学习自然语言处理模型的两阶段自动化检测流程来检测 COVID-19 假新闻，其中第一模型利用了基于事实检查的算法，通过检索特定 COVID-19 索赔的相关事实，第二模型通过计算索赔和手动策划的 COVID-19 数据集中检索到的真实事实之间的文本蕴含程度来验证索赔的真实程度。

Nov, 2020

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

基于 Transformer 的自动 COVID-19 假新闻检测系统

本文报告了一种基于 Transformer 模型（BERT、ALBERT 和 XLNET）的方法来分析 COVID-19 流行病期间社交媒体上共享信息的可靠性，以便快速检测假新闻，减少假信息的传播，该方法在 ConstraintAI 2021 共享任务 COVID19 Fake News Detection in English 中获得了 0.9855 的 f1 值，排名第 5。

Jan, 2021

自动检测虚假新闻：当前模型是 “事实核查” 还是 “直觉判断”？

这篇研究通过多种神经和非神经预处理以及风格转移技术，消除了假新闻检测模型中情感、情绪、词性等易受攻击的指标，从而推断出这些模型中可能隐藏着可操纵的信号，并通过情感向量模型构建进一步证明了这一假设。

Apr, 2022

结合神经网络、统计和外部特征在假新闻识别中的益处

本文探讨假新闻鉴别的子任务，即立场检测，并提出了一种新的思路，将神经网络、统计特征和外部特征结合起来，通过深度神经网络将这些特征组合在一起，最终对新闻标题 - 正文进行分类，并在假新闻挑战数据集上进行了实验，结果表明该模型胜于现有的所有技术。

Dec, 2017