Apr, 2022

预测新闻的方法 —— 一种精确的多层 LSTM 网络与 BERT

PDF
TL;DR本篇研究基於 V-Dem 概念框架的政治資料庫，藉由使用預測模型，成功將 28358 則新聞文章中的假新聞剖析出來，並指出台灣是被外國政府傳遞假消息最嚴重的國家之一，希望藉由此成果，未來可以開發自動化演算法減輕人工分析的負擔與降低假消息的傳播度。
varieties of democracyv-demtaiwanfalse informationpredictive model
发现论文，激发创造
  • 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

  • YNU-HPCC 在 SemEval2020 任务 11 中：使用 LSTM 网络检测新闻文章中的宣传技术

    这篇论文总结了我们对 SemEval-2020 任务 11 中新闻文章宣传检测技术的研究，我们使用 GloVe、BERT 和 LSTM 模型结构实现了此任务，并且在 SI 和 TC 子任务中取得了良好的结果，超越了官方基线方法的性能，与测试集的排名分别为第 17 和第 22 名，并比较了不同的深度学习模型结构在新闻宣传检测上的性能。

    Aug, 2020

  • NewsEmbed: 预训练文档表示模型对新闻进行建模

    本文提出了一个新颖的方法，使用少量人为监督来挖掘具有语义相关性的新鲜文档及其主题标签，并设计了一个多任务模型 - NewsEmbed，交替使用对比学习和多标签分类来推导通用文档编码器，在多个自然语言理解任务中实现了出色的性能表现。

    Jun, 2021

  • 基于 BERT 的卷积和循环神经网络组合用于印尼情感分析

    采用 BERT 表示法，利用混合增强的深度学习算法对印度尼西亚情感分析进行了研究，并展示 BERT 表示法可以提高所有混合架构的准确性。在 BERT 基础上的 LSTM-CNN 准确性略高于其他 BERT 基础混合架构。

    Nov, 2022

  • 基于改进的 BERTSum-LSTM 模型的 LCSTS 数据集信息提取研究

    本文研究了基于改进的 BERTSum-LSTM 模型的 LCSTS 数据集的信息提取方法，实验结果表明该方法对生成中文新闻摘要有良好效果，对于新闻摘要的构建具有重要意义。

    Jun, 2024

  • 使用词嵌入分析抗议新闻

    CLEF 2019 的两个 ProtestNews 任务旨在对抗议和非抗议相关的新闻文章和句子进行二元分类；通过用 ELMo 和 DistilBERT 替换现有的词嵌入，DistilBERT 在不改变原始模型架构的情况下，相对于 FastText 实现时，在 F1 得分方面的表现提高到了 0.66，并在两个任务和模型中都优于 ELMo。

    Mar, 2022

  • 浅阅读与深度学习：仅使用标题预测在线内容的受欢迎程度

    本文提出了一种基于双向 LSTM 神经网络的新方法来预测在线内容的受欢迎程度，通过新闻标题文本信息可以提高传统浅层方法的预测精度，并且在预处理的词向量上使用 LSTM 模型可以提高预测结果。

    Jul, 2017

  • 嵌入式探测！使用文档嵌入式检测假新闻

    本文提出了一种使用文档嵌入的新方法，建立多个模型，将新闻文章准确地标记为可靠或虚假，评估了这些模型并证明了文档编码是获得高准确性的最重要因素

    Apr, 2023

  • BB_twtr 在 SemEval-2017 任务 4 中：使用 CNN 和 LSTM 进行 Twitter 情感分析

    使用卷积神经网络与长短时记忆网络，我们成功实现了最先进的 Twitter 情感分类器，通过海量无标注数据来预训练词向量，然后使用少量无标注数据通过远程监督来微调嵌入向量，最终在 SemEval-2017 Twitter 数据集上对 CNN 和 LSTM 进行了再次微调，使用了集成学习方法，我们在所有五个英文子任务中均排名第一。

    Apr, 2017

  • 双向 LSTM 在中文分词中的最新进展

    在中文分词任务中，与更复杂的神经网络模型相比，双向 LSTM 模型结合标准深度学习技术和最佳实践能够在许多流行数据集上实现更好的精度。此外，错误分析表明，对于神经网络模型而言，词汇外的单词仍然具有挑战性，其余错误不太可能通过架构更改来修复，而是应该更加努力地探索资源以进一步提高精度。

    Aug, 2018