AAAIJan, 2021

应对敌对行为：社交媒体中的 Covid-19 虚假新闻和敌对帖子检测

PDF
TL;DR本文介绍了 AAAI-2021 CONSTRAINT 共享任务中开发的系统，包括在英语中检测 COVID19 虚假新闻和在印地语中检测敌对帖子。该研究使用 SVM，CNN，BiLSTM 和 CNN+BiLSTM 等技术进行分类任务，结果表明 SVM 在使用 tf-idf 特征方面在 task-A 测试集上实现了最高的 94.39％加权 $f_1$ 分数。标签功率集 SVM 使用 n-gram 特征在 task-B 测试集上获得了 86.03％的粗分类和 50.98％的细分类 $f_1$ 分数。
covid19fake news detectionhostile post detectionsvmclassification
发现论文，激发创造
  • 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

  • 利用预训练语言模型检测印地语中的敌意

    本篇文章提出了一种基于转移学习的方法，使用专注力预训练模型进行细分任务分类，将社交媒体文章分类为敌对与非敌对，并进一步分析其情感类型：仇恨、虚假、诽谤和冒犯。这种方法在印第语文本数据上进行 fine-tuned，并在 CONSTRAINT-2021 共享任务中表现出色。

    Jan, 2021

  • 使用 Fine Tuned 多语言嵌入在印地语帖子中进行粗粒度和细粒度的敌意检测

    研究采用基于 mBERT 的神经网络技术，对资源受限的印地语社交媒体上的言论进行多标签分类，结果表明该模型的绩效超过了现有的基准模型，成为了印地语言领域检测敌意的最佳模型。

    Jan, 2021

  • 评估深度学习模型对印地语文本的敌意检测能力

    本文中提出了一些方法来检测印度语中的恶意文本，使用 CNN、LSTM 和 BERT 等深度学习方法，并发现使用 BERT 的模型性能最佳。

    Jan, 2021

  • 印地语敌对检测数据集

    本文提出了一个新颖的基于印地语的敌对性检测数据集，其中包括约 8200 个在线发布的文本，覆盖了虚假新闻、仇恨言论、攻击性和诽谤帖子等四个维度，并采用多标签标注方式，发布该数据集作为 CONSTRAINT-2021 敌对性帖子检测任务的一部分。

    Nov, 2020

  • 一种启发式驱动的集成框架用于 COVID-19 假新闻检测

    本文介绍了我们的虚假新闻检测系统，它利用预训练的集成模型自动识别与 COVID-19 相关的推文是否为 “真实” 或 “虚假”，并通过引入基于用户名和链接域的启发式算法显著提高了准确率，达到了最先进的结果。

    Jan, 2021

  • NLP4IF-2021 分享任务发现：打击 COVID-19 信息污染及检测审查

    该研究介绍了 NLP4IF-2021 共享任务的主要发现，其中任务 1 侧重于社交媒体中的 COVID-19 信息战，提供了阿拉伯语、保加利亚语和英语，任务 2 侧重于检测审查，提供了中文，最有潜力的系统都使用了预训练的 Transformers 和集成。

    Sep, 2021

  • 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

  • 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

  • 打击信息疫情：COVID-19 虚假新闻数据集

    本研究通过人工确认 10,700 个社交媒体帖子和文章的真假，并使用决策树、逻辑回归、梯度提升和支持向量机 (SVM) 等四种机器学习方法将其进行基准测试。结果表明，使用 SVM 可以获得最佳性能，F1-score 为 93.46%。研究样本涉及 COVID-19 疫情下社交媒体中的假新闻和谣言。

    Nov, 2020