基于传播结构的零样本谣言检测:通过提示学习
本文提出了一种基于统一对比转移框架的谣言检测方法,通过语言对齐和领域自适应对比学习机制,训练多尺度图卷积网络,实现在不同语言资源匮乏的情况下检测谣言,实验证明这种方法比其他方法更具优越性。
Apr, 2023
本研究提出了一种零样本跨语言迁移学习框架,利用预训练的多语言语言模型和自我训练循环来逐步引导目标语言中 ' 银标签 ' 的创建,从而将已训练好的谣言检测模型从源语言适应到另一种目标语言。在英语和汉语谣言数据集上进行评估,证明了该模型在源语言和目标语言的谣言检测方面均明显优于竞争基准。
Sep, 2021
在社交媒体上,广泛传播的谣言对人们的日常生活产生了负面影响,导致公众潜在的恐慌、恐惧和心理健康问题。本文提出了一种新的检测模型,通过联合学习用户相关性和信息传播的表示来检测社交媒体上的谣言。评估结果表明,该模型在已有的谣言检测模型方面表现优秀,并且对抗性攻击更具鲁棒性。
Mar, 2024
本文提出了一种基于对抗对比学习框架的谣言检测方法,该方法通过语言对齐和新的监督对比训练范式,将从充分资源的谣言数据中学到的特征适应于低资源的数据;此外,通过对抗增强机制,进一步提高低资源谣言表示的鲁棒性,实验结果表明本文提出的方法可以更好地检测出早期谣言。
Apr, 2022
利用大型语言模型(LLMs)进行社交媒体谣言检测的研究,提出了一种 LLM - 驱动的谣言检测方法(LeRuD),通过设计提示教给 LLMs 在新闻和评论中进行推理,并将整个传播信息分割为传播链以减轻 LLMs 的负担,通过在 Twitter 和微博数据集上的实验,LeRuD 在谣言检测方面表现出色,超过了几种最先进的模型,并且通过应用 LLMs,LeRuD 无需训练数据,在少量或零样本情景中显示出更有前景的谣言检测能力。
Feb, 2024
利用会话式引导工程的大型语言模型来对抗数字虚假信息,通过扩展 RumourEval 任务的研究努力,从事推特数据集的真实性预测和立场分类,以 AI 社会公益为主要目标。
Apr, 2024
本文建立了一个自然语言处理系统来预测谣言并探索了谣言和事实的差异,通过 COVID-19 推文分析,结果表明语言结构是区分谣言和事实的更好特征,而谣言推文中包含更多与政治和负面情绪相关的词汇。
Apr, 2023
通过多示例学习方案,我们提出了基于树结构的弱监督框架来联合分类谣言和立场,这里只需要关于真实性的包级标签。最后,我们提出了分层注意力机制来聚合二进制预测,通过在三个 Twitter 数据集上进行广泛的实验,证明了我们的模型在与现有方法相比的认领级别的谣言检测和帖子级别的立场分类方面具有良好的性能。
Apr, 2022
本文提出了一种基于图卷积神经网络的层级多任务学习框架,用于同时预测 Twitter 上谣言立场和可信度,底部组件使用结构属性建模来分类谣言推文的立场,而顶部组件通过利用立场演变的时间动态来预测谣言的真实性。实验结果表明,我们的方法在谣言立场分类和真实性预测方面均优于以往的方法。
Sep, 2019
本研究提出基于异质图的元路径捕获方法,结合全局语义关系和社交媒体消息传播结构信息,用于检测社交媒体中的谣言。在真实的 Twitter 数据集上进行的实验证明了该方法的优越性,同时还具有非常早期检测谣言的能力。
Jun, 2020