May, 2023

使用多项式朴素贝叶斯算法和词项频率 - 逆文档频率（TF-IDF 向量化）检查菲律宾新闻推文的可信度

PDF
TL;DR利用基于地面真值注释和 TF-IDF 作为特征提取的新闻文章作为训练数据集的研究表明，使用 Multinomial Naive Bayes 的模型在训练中的准确率为 99.46％，在预测未见数据时为 88.98％；但其在将假新闻标记为真实新闻方面的问题需要进一步研究，提高语料库收集，并使用集成机器学习来加强预测的建议。
digitalizationnews mediadisinformationmultinomial naive bayesmachine learning
发现论文，激发创造
  • 使用机器学习自动识别灾难新闻以进行危机管理

    研究使用机器学习算法 (逻辑回归，随机森林和多项式朴素贝叶斯) 和文本挖掘技术 (词袋，TF-IDF 和词形还原) 发展了一个可用于区分真假新闻的模型，并使用 160 个数据集进行了训练和测试，在使用这些技术的情况下，识别出具有 91.07% 的准确度。

    Jan, 2023

  • 嵌入式探测！使用文档嵌入式检测假新闻

    本文提出了一种使用文档嵌入的新方法，建立多个模型，将新闻文章准确地标记为可靠或虚假，评估了这些模型并证明了文档编码是获得高准确性的最重要因素

    Apr, 2023

  • 基于机器学习技术的假新闻检测

    我们使用自然语言处理方法对 1876 条新闻数据进行预处理，通过训练模型将假新闻和真实新闻进行分类，最终通过 Naive Bayes 分类器得出 56% 的准确率和平均 32% 的 F1-macro 得分。

    Sep, 2023

  • 使用可靠来源的交叉检查实现自动假新闻检测

    本研究利用自然语言处理和机器学习技术，开发出一种自动化检测虚假新闻的方法，该方法能够对推特上发布的内容进行检测，从可靠的新闻机构中获取相关信息，并使用随机森林模型进行分类，取得了 70％的准确率， 这为虚假新闻检测提供了一种更加敏感和自然的方法。

    Jan, 2022

  • 多语言数据分类的终身学习自然语言处理方法

    本研究提出了一种基于终身学习和多语言知识转移的新型假新闻检测方法，该方法利用传统特征提取器和深度自然语言处理模型结合多层感知器分类器，可以在英语和西班牙语数据集上提高假新闻分类任务的性能。

    May, 2022

  • 通过自然语言处理进行的假新闻检测容易受到对抗性攻击

    本文探讨了现有的假新闻检测方法存在的问题，并提出加入事实核查与语言分析相结合的方法，以应对新闻篡改攻击和真实新闻被误判的情况。作者提出采用众包知识图谱解决新闻事件事实搜集的问题。

    Jan, 2019

  • 运用自然语言处理和机器学习开发伪新闻模型

    通过机器学习算法，在两个公开数据集上进行实验分析，研究了如何检测和区分真假新闻，结果表明采用了三种分类器：被动型侵略性、朴素贝叶斯和支持向量机，这种方法具有良好的性能表现。

    Jan, 2022

  • 使用实体识别、TFIDF 向量比较和可分解注意力进行事实验证的 DeFactoNLP

    本文描述了 DeFactoNLP 系统，该系统用于自动评估声明的准确性并从维基百科中检索支持此评估的证据。我们的方法基于 TFIDF 向量和被提出的命名实体来识别包含证据的维基百科文章，并通过文本蕴涵识别模块来计算句子支持声明的概率。我们的方法在 FEVER 2018 共享任务中获得了不错的表现。

    Sep, 2018

  • 基于 BERT 模型的 COVID-19 相关推文的虚假新闻检测和情感分析

    我们的团队 “techno” 参加了 CERIST'22 共享任务，利用自然语言处理工具和 BERT 预训练语言模型，对与 COVID-19 疫情有关的 4128 个推文进行了情感分析和 8661 个推文进行了虚假新闻检测任务，并获得了情感分析任务 0.93 的准确度和虚假新闻检测任务 0.90 的准确度。

    Apr, 2023

  • 虚假新闻的预测语言线索：一个社会人工智能问题

    使用机器学习算法分析媒体新闻的语言特征，以区分真假新闻，主要解决神经假新闻生成、机器生成的标题、文本和图像标题之间的语义矛盾等问题。同时提出应用特征集和类别、特征之间的相关性计算相关属性评估指标和计算属性变量的协方差指标来模拟这些问题。其中独特、负面、积极和基数数字特征在度量中得分高，能够提供高的 AUC 和 F1-score。

    Nov, 2022