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

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

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。

Nov, 2022

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

本文提出了一种名为 M$^3$FEND 的框架，通过从多视角建模内容，包括语义、情感和风格等，使用领域记忆库显著改进了领域信息，适应性地聚合多个视角的判别性信息，提高了跨领域假新闻检测的成功率。

Jun, 2022

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

该论文探讨了社交媒体中假新闻传播的挑战，并引入基于增强学习的模型（REAL-FND），将用户评论和用户 - 新闻交互等辅助信息结合起来，利用跨领域以及领域内的知识，特别是在目标领域的数据有限的情况下，有效地检测假新闻。

Feb, 2022

本研究考虑了新闻文章情感信息对健康领域虚假新闻识别的作用，利用情感强度词库开发情感化文本表示技术，在多种监督和无监督情况下评估了该表示技术的实用性，结果表明情感信息的使用可以显著提高健康领域识别虚假信息的准确率。

Jun, 2019

利用神经网络模型的中间层表示，我们提出了一种特征增强方法，用于不同信息领域之间的欺骗检测，其中 Tweets 对于虚假新闻和网络钓鱼邮件检测最有帮助，而新闻对于推特谣言检测最有帮助，我们的分析为领域知识转移提供了有用的见解，可以帮助构建比现有文献更强大的欺骗检测系统。

May, 2023

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