Nov, 2022

一种基于情感感知的多任务迁移学习方法，用于虚假新闻和谣言检测

PDF
TL;DR本文提出了一种基于情感分类的多任务框架，利用迁移学习技术标记四个假新闻检测和谣言检测数据集，并证明了情感与假新闻和谣言检测的合法性的相关性，进而提供了一种改进的特征提取方法。实验结果证明，该多任务模型在准确性、精确度、召回率和 F1 分数方面一致优于单任务方法，无论是在同领域还是异领域的数据集中。
fake news detectionrumour detectiontransfer learningmulti-task frameworkdeep learning
发现论文，激发创造
  • 情感检测在虚假信息中的应用：一项综述

    社交媒体兴起以来，越来越多的网民在线上分享和阅读帖子和新闻。然而，泛滥于互联网的大量错误信息（例如虚假新闻和谣言）会对人们的生活产生负面影响，这引发了对谣言和虚假新闻检测的热门研究课题。网民在社交媒体帖子和新闻中表达的情绪和情感是帮助区分虚假新闻和真实新闻，以及理解谣言传播的重要因素。本文全面回顾基于情绪的误信息检测方法。我们首先解释情绪与误信息之间的紧密联系。接着，我们详细分析了多种基于情绪、情感和立场特征的误信息检测方法，描述它们的优势和劣势。最后，我们讨论了基于大型语言模型的基于情绪的误信息检测面临的一些挑战，并提出了未来的研究方向，包括数据收集（多平台、多语言）、标注、基准测试、多模态以及可解释性。

    Nov, 2023

  • 挖掘双重情感用于虚假新闻检测

    本研究为提高假新闻检测效果，通过验证双重情感在真实新闻和假新闻中的差异，并提出双重情感特征用于表征社会情感和发布情感，并与现有的假新闻检测器兼容，可有效提高假新闻检测性能。

    Mar, 2019

  • 全能型协同学习：谣言辨别

    本文提出一种多任务学习方法，将谣言检测、跟踪、立场分类等环节相结合，从而改善谣言验证性能，并探究了数据集属性与多任务学习模型输出结果之间的联系。

    Jun, 2018

  • 基于多模态融合框架和集成学习的谣言分类

    本研究提出了一个基于图像特征和集成学习算法的 MONITOR 框架，用于在社交网络中评估信息真实性，并在两个真实数据集上进行广泛实验，结果显示 MONITOR 优于现有的机器学习基线，并且集成模型显着提高了 MONITOR 的性能。

    Jan, 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

  • 情感引导下的领域自适应假新闻检测方法：对抗学习

    本研究提出了一种情绪引导的、领域自适应的、多任务方法，用于各种数据集中的跨领域假新闻检测，证明了情感引导模型在跨领域设置中的有效性。

    Nov, 2022

  • 跨域多模态数据在假新闻检测中应用：接纳领域差异

    本研究介绍了一种新的自动检测跨领域新闻中虚假消息的技术，该技术整合了领域特定和跨领域知识，并利用一种无监督的选择性注释技术来减少标注成本，并在跨领域的新闻数据集上实现了最先进的性能。

    Feb, 2021

  • 情感导向的跨领域虚假新闻检测：基于对抗领域适应的方法

    本文提出一种情感导向的领域适应方法，并证明在跨领域的情况下，基于情感的模型对于不同数据集的组合具有有效性，用于错误新闻检测。

    Nov, 2022

  • 使用 Fine-Tune Longformer 联合预测谣言态度和真实性

    本文提出了一个用于自动检测谣言立场和真实性的多任务学习框架，通过对社交媒体上的巨量数据进行聚类和分析，解决了传统处理方法效率低下的问题，实验证明该方法在 SemEval 2019 的谣言立场分类和真实性预测都优于之前的方法。

    Jul, 2020

  • 社交媒体和新闻文章中虚假信息的情感分析

    通过情感分析比较真假新闻的语言使用，并考虑了社交媒体和在线新闻来源的虚假信息类型（宣传、谣言、点击草率和讽刺）; 我们的实验表明，虚假信息在每种类型中都具有不同的情感模式，情感在欺骗读者方面发挥了关键作用； 基于此，我们提出了一个采用情感注入的 LSTM 神经网络模型来检测假新闻。

    Aug, 2019