该论文提出了一种基于 EDU 边界的句子建模方法，旨在克服句子同时表达多个方面情感极性的问题。该模型通过在单词和 EDU 级别上进行稀疏注意力，突出表达情感的单词，并使用 EDU 级别稀疏注意力和正交正则化来确保模型在适当的 EDU 上关注正确的方面。实验证明该方法优于现有的基线算法，并能够直接应用于句子，无需手动标注 EDU 边界。

Feb, 2022

本研究提出了一种基于证据的假新闻自动检测框架 GET，该框架采用图形结构学习方法将索证和索证的长距离语义依赖关系整合起来，从而有效避免了序列模型在验证新闻真实性方面存在的缺陷。作为一项重要的技术创新，GET 的有效性已经得到了充分验证。

Jan, 2022

本篇研究介绍了使用分层语篇结构来解决检测和理解虚假新闻对信息可靠性的威胁所面临的挑战，并提出了一种自动构建虚假 / 真实新闻文本的语篇层次结构的方法 - HDSF。经过实验验证，该方法能够有效地区分真实和虚假新闻并且有助于提高我们对虚假信息的了解。

Feb, 2019

该论文研究了基于 Elementary Discourse Unit 的提取式文本摘要模型，从理论和实验角度出发论证了该模型相对于传统模型在自动评估得分和人工评估方面的优势，并在数据集上取得了更好的 ROUGE 得分，同时也保持了很好的语法和可读性。

Oct, 2022

通过基于图的模型，利用文本实体图对文档的事实结构进行表示，进而使用图神经网络学习句子表示并将其组合成文档表示，以便识别机器生成文本和人工撰写文本之间的差异。实验结果表明，该方法显著提高了基于 RoBERTa 构建的强基线模型的性能，并可以在文本事实结构上区分机器生成文本和人工撰写文本。

Oct, 2020

本文介绍了一种基于双层图模型的假新闻检测模型 Us-DeFake，通过提取社交网络中新闻和用户之间的多重关系以及学习用户可信度信息以提高模型性能，实验结果表明该模型优于所有基准模型。

Dec, 2022

本研究提出了一种基于 Hierarchical Multi-head Attentive Network 的虚假新闻检测方法，该方法使用多头词级别和文档级别的注意力实现解释，并在两个实际数据集上优于七种现有方法。

Feb, 2021

本文提出了一种新的结构感知多头注意力网络（SMAN），该网络通过联合优化假新闻检测和可信度预测任务，明确地利用出版商和用户的可信度进行早期假新闻检测，实验结果表明 SMAN 可以在 4 小时内以超过 91% 的准确率检测出假新闻，比现有模型快得多。

Dec, 2020

本文提出了一种基于证据的假新闻检测的方法，采用图形结构挖掘和对比学习来消除信息冗余，获得具有可靠性和区分度的表示，并在实验中证明了 GETRAL 相对于现有技术的优越性。

Oct, 2022

本文围绕多模态虚假新闻检测问题，提出了一种新的提取多模态线索的框架，该框架能够充分地考虑图像文本的三种关系，并在实验证明其优于现有文献的方法。

Aug, 2021