社交媒体正在成为新闻的主要入口，但由于人们的观点不同，新闻将存在偏见。本文探讨了新闻文章中经常被忽视的偏见检测方面：语义结构。我们提出了一种新颖的归纳式、资源有限的文档嵌入和偏见检测模型（DocNet），其性能超过了大型语言模型。我们还证明了来自相对立政治立场的新闻文章的语义结构（以文档级图形嵌入表示）具有显著的相似性。这些结果可用于提高资源有限环境中的偏见检测。

Jun, 2024

本文提出了一种基于关注机制的多角度模型，利用文本、标题、内容以及链接结构等多种视角识别新闻文章所展现出的政治意识形态，实验证明该模型在自然语言处理的表示学习和网络科学中的进展方面，比现有的基线模型在 F1 得分上提高了 10 个百分点。

Sep, 2018

本研究利用一个新的、基于 6964 篇新闻文章的辅助指标标签的语料库，开发了一种神经模型对新闻文章中的政治偏见和不公平进行分析，并从单词到整篇文章的不同层次的文本粒度发现了深刻的偏见模式。

Oct, 2020

本文提出了一种基于推文训练的两步分类方案，用于检测长文本中的政治偏见。该方案包括通过推特数据训练中性检测器，用于去除文章中的中性句子以实现意见集中，并提高了文章的预测准确性。

Sep, 2019

媒体偏见检测需要综合多个新闻来源的信息，以句子级别的政治偏见检测为例，通过考虑上下文中的偏见而进行的任务被证明是一项具有挑战性的任务。我们提出了一种更加小心地搜索上下文的技术，采用偏见敏感和目标感知的数据增强方法，通过与 BERT 等预训练模型的结合，在著名的 BASIL 数据集上进行了综合实验，取得了 58.15 的 F1 得分，明显优于先前方法的最新偏见检测任务。

Oct, 2023

本文旨在建立一种自动模型，评估在线新闻文章的意识形态偏见，结果表明目前的自动模型能力不足以被用于自动注释文档，进而计算搜索结果中的偏见。

Oct, 2022

提出利用分层递归神经网络进行假新闻的分类，通过学习新闻语言风格识别真假，第一次使用分层语言树和神经网络来辨别新闻真实性，实验结果表明该方法有效，并可以优于现有技术。

Jan, 2023

本篇研究介绍了使用分层语篇结构来解决检测和理解虚假新闻对信息可靠性的威胁所面临的挑战，并提出了一种自动构建虚假 / 真实新闻文本的语篇层次结构的方法 - HDSF。经过实验验证，该方法能够有效地区分真实和虚假新闻并且有助于提高我们对虚假信息的了解。

Feb, 2019

本文探讨新闻文章中的政治意识形态或偏见的预测任务，提出了一个具有挑战性的实验设置并收集了大量的数据集，在建模方面使用了敌对媒体适应和三元组损失等策略，并在文章级别上加入了源背景信息，实验结果表明这种方法在这种具有挑战性的情况下比使用先进的预先训练转换器有相当大的改进。

Oct, 2020

本研究提出了一种基于知识感知的方法，利用分层注意力网络和知识编码技术，将新闻文章的上下文信息和实体外在知识融入到政治倾向预测的过程中，建立了两个独立的政治知识图谱进行对比，取得高精度和高效性。

Feb, 2023