ACLFeb, 2023

重新审视谣言检测基准评估：基于时间序列的切分

PDF
TL;DR本研究通过对四种常用谣言检测基准数据集进行实验，发现使用时间序列而非随机分割数据集可以有效降低主题重叠部分，降低对模型预测性能高估的影响，建议谣言检测模型均应使用时间序列分割数据集以提高准确性。
rumordetectionchronologicalconcept driftpredictive performance
发现论文，激发创造
  • 探究基于静态数据集训练的计算机谣言检测模型的局限性

    该论文通过对内容和上下文基于模型在检测新的未知谣言方面的性能差距的深入评估，发现基于上下文的模型过于依赖来自谣言源帖的信息，忽视了上下文信息的重要作用。基于实验结果，该论文还提出了关于如何在训练谣言检测方法时最小化静态数据集中时间概念漂移影响的实用建议。

    Sep, 2023

  • 探测流行事件类谣言检测基准测试中的伪相关性

    针对传言检测中存在的因多种原因导致的假相关性跟踪误导了已有方法，本文提出了事件分离式谣言检测方法并给出了出版者样式聚合，证明了该方法在准确性、效率和普适性方面均优于现有基线。

    Sep, 2022

  • 社交媒体中基于突发新闻报道动态的谣言检测学习

    本文介绍了一种基于社交媒体中破解新闻的顺序动态学习的方法来检测谣言的新方法，该方法使用条件随机场作为顺序分类器进行实验，与现有系统和基线相比性能优异。

    Oct, 2016

  • 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

  • 建模会话结构和时间动态以共同预测谣言立场和真实性

    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

  • CED：可信的社交媒体谣言早期检测

    这篇论文提出了一种名为可信早期检测 (CED) 的新颖的谣言检测模型，它将所有谣言候选人的转发视为一个序列，通过寻找一个早期的时间点进行可信预测，能够显著减少预测时间跨度超过 85％并优于所有现有基线的准确性表现。

    Nov, 2018

  • 通过测试时适应性进行外部分布谣言检测

    一个名为 TARD 的简单而高效的测试时适应化传播图框架用于谣言检测，通过建立传播图在分布偏移情况下增强模型的适应性和鲁棒性，实验证明该框架在性能上优于现有方法。

    Mar, 2024

  • 社交媒体上的谣言检测：数据集，方法和机遇

    本文概述了关于谣言检测领域的最近研究，提供了一个全面的谣言检测数据集列表，并根据他们所利用的信息类型和采取的方法来评估重要的研究，并且也提出了未来研究的几个新方向。

    Nov, 2019

  • 基于传播结构的统一对比迁移框架用于增强低资源谣言检测

    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

  • 社交媒体谣言的检测和解决：一项调查

    本文就社交媒体中的谣言进行了调查研究，介绍和讨论了两种流行的谣言类型，并提出了一个由四个部分组成的谣言分类系统，包括谣言检测、谣言追踪、谣言态度分类和谣言真实性分类。最终总结了社交媒体挖掘中谣言检测和解决的研究方向和建议。

    Apr, 2017