Mar, 2022

使用多数投票技术进行假新闻检测

PDF
TL;DR本文提出了一种采用多数表决方法检测虚假新闻的方法，使用公开的虚假新闻数据集进行了实验，最终取得了 96.38% 的准确率、96% 的精确度、96% 的召回率和 96% 的 F1 值，实验结果表明多数表决方法比单一学习方法取得了更可接受的结果。
fake newsmajority voting approachmachine learning classifiersaccuracymulti-model
发现论文，激发创造
  • 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

  • 自动检测虚假新闻的深度学习方法

    提出了两种基于深度学习的模型，用于在多个领域的在线新闻内容中解决虚假新闻检测问题，并在 FakeNews AMT 和 Celebrity 两个数据集上评估，取得了很好的性能并超过了当前最先进的基于手工特征工程的系统。同时，进行了跨领域分析以探索系统在不同领域的适用性。

    May, 2020

  • 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

  • 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

  • 社交媒体上的假新闻检测：数据挖掘视角

    该研究旨在调查社交媒体上的假新闻检测问题并提出相关算法，主要涵盖社交媒体上的假新闻特征、数据挖掘算法、评估指标等方面。

    Aug, 2017

  • 自动检测虚假新闻

    本文聚焦于自动识别在线新闻中的虚假内容，首先介绍了用于虚假新闻检测的新颖数据集，描述了收集、注释和验证过程，并提供诸多在区分真实和虚假新闻语言差异方面的探索性分析。其次，本文开展了一系列学习实验以构建准确的虚假新闻检测器，并比较了手动和自动识别虚假新闻的结果。

    Aug, 2017

  • 使用机器学习检测假新闻：系统文献综述

    本文通过系统文献综述，描述了使用机器学习分类器自动检测虚假新闻的必要性和方法，因为社交媒体平台上发布的虚假新闻可能会针对个人、社会、组织或政治党派进行宣传，并且人类无法检测到所有这些虚假新闻。

    Feb, 2021

  • 卷积神经网络和深度神经网络的组合在假新闻检测中的应用

    本文介绍了 Fake News Challenge stage #1 (FNC-1) 数据集并概述了使用该数据集构建伪新闻检测系统的竞争尝试。通过使用不同的自然语言处理技术处理标题和正文文本，提取特征并使用软余弦相似性方法计算相似度。该系统使用深度学习方法进行分类，除了 “disagree” 类别外，其余类别均达到高准确性，最终分类准确率达到 84.6％，在该数据集上排名第二。

    Oct, 2022

  • 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

  • 使用可靠来源的交叉检查实现自动假新闻检测

    本研究利用自然语言处理和机器学习技术，开发出一种自动化检测虚假新闻的方法，该方法能够对推特上发布的内容进行检测，从可靠的新闻机构中获取相关信息，并使用随机森林模型进行分类，取得了 70％的准确率， 这为虚假新闻检测提供了一种更加敏感和自然的方法。

    Jan, 2022