Oct, 2022

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

PDF
TL;DR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。
fake newsdetectionnatural language processingdeep learningfnc-1 dataset
发现论文，激发创造
  • 基于卷积神经网络的假新闻检测

    本文研究了基于文本和图像信息的卷积神经网络 TI-CNN，通过提取虚假新闻中的显式和潜在特征，将文本和图像信息投影到统一特征空间中进行训练，以此来解决自动检测虚假新闻的问题。

    Jun, 2018

  • 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

  • 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

  • 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

  • 使用混合 CNN 和 RNN 模型在 Twitter 上识别假新闻

    本文提出一种利用卷积神经网络和长短期循环神经网络模型的混合方法，从 Twitter 帖子中检测和分类假新闻信息的框架，精度可达 82％。该方法能够直观地识别假新闻故事的相关特征而无需领域知识。

    Jun, 2018

  • 利用几何深度学习技术识别社交媒体上的虚假新闻

    本文利用几何深度学习模型对推特上的新闻内容、用户画像、行为，社交网络结构与传播进行深度融合，基于传播模式的方法可以高效地提取特征，提高了对于虚假新闻的识别率，在短时间内便可可靠地便可侦测出，同时与现存的基于内容分析的方法有互补性和多个优势。

    Feb, 2019

  • 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

  • 基于图神经网络和常用机器学习算法的假新闻检测比较分析

    本文研究了利用图神经网络技术和机器学习算法探测社交媒体平台上的虚假新闻传播，发现图神经网络对于虚假新闻的辨别效果最好。

    Mar, 2022

  • 一种有效的深度扩散神经网络方法用于假新闻检测

    本文探讨了从在线社交网络中检测虚假新闻文章、制作者和主题的原则、方法和算法，并评估了相应性能，提出了 FAKEDETECTOR 自动虚假新闻可信度推断模型，通过从文本信息中提取的显性和潜在特征，构建了一个深度扩散网络模型，同时学习新闻文章、制作者和主题的表示。实验结果证明了所提出模型的有效性。

    May, 2018

  • 基于图神经网络的假新闻检测：一项调查

    通过图论和深度学习的方法对基于图的假新闻检测进行系统的综述，将现有方法分类为知识驱动、传播驱动和异构社交环境驱动的方法，并讨论了图论假新闻检测中的挑战和未来研究方向。

    Jul, 2023