为了解决当今科技驱动的世界中虚假新闻（尤其是在选举等关键事件期间）的快速传播给信息的完整性带来的日益威胁，我们引入了 FakeWatch，一个全面的框架，旨在有效检测虚假新闻。通过利用一个新的精选北美选举相关新闻文章的数据集，我们构建了强大的分类模型。我们的框架融合了传统机器学习技术和尖端语言模型，以有效区分虚假新闻。我们的总体目标是为研究社区提供适应不断演变的误导信息领域的可调整和精确的分类模型。对我们的数据集上的虚假新闻分类器的定量评估表明，虽然最先进的语言模型略优于传统机器学习模型，由于其准确性和计算效率的平衡，传统模型仍然具有竞争力。此外，定性分析揭示了虚假新闻文章中的模式。这项研究为未来旨在打击误导信息（尤其是有关选举过程的信息）的努力奠定了基础。我们公开提供了我们的标记数据和模型以供使用和可复制性检验。

Mar, 2024

本文聚焦于自动识别在线新闻中的虚假内容，首先介绍了用于虚假新闻检测的新颖数据集，描述了收集、注释和验证过程，并提供诸多在区分真实和虚假新闻语言差异方面的探索性分析。其次，本文开展了一系列学习实验以构建准确的虚假新闻检测器，并比较了手动和自动识别虚假新闻的结果。

Aug, 2017

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

本文介绍了 Fake News Challenge stage #1 (FNC-1) 数据集并概述了使用该数据集构建伪新闻检测系统的竞争尝试。通过使用不同的自然语言处理技术处理标题和正文文本，提取特征并使用软余弦相似性方法计算相似度。该系统使用深度学习方法进行分类，除了 “disagree” 类别外，其余类别均达到高准确性，最终分类准确率达到 84.6％，在该数据集上排名第二。

Oct, 2022

提出了一个以理论驱动的模型，探索了假新闻在不同层次（词汇、句法、语义和话语）上的表现，并在监督式机器学习框架下进行了检测。在真实世界的两个数据集上的实验证明，该方法可以优于现有技术，并在内容信息有限的情况下实现假新闻的早期检测。

Apr, 2019

通过图论和深度学习的方法对基于图的假新闻检测进行系统的综述，将现有方法分类为知识驱动、传播驱动和异构社交环境驱动的方法，并讨论了图论假新闻检测中的挑战和未来研究方向。

Jul, 2023

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

该研究提出了一种可解释和在线的分类方法，结合无监督和有监督的机器学习方法，使用自然语言处理技术基于创建者、内容和上下文的特征，识别和解释社交媒体中的虚假新闻，并通过数据流处理提供实时的早期检测、隔离和解释，从而提高社交媒体内容的质量和可信度。

May, 2024

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

研究分析了基于混合图神经网络和 transformer 模型的社交语境对于发现假新闻的作用，并且在 PolitiFact 和 Gossipcop 数据集上获得了 0.91 和 0.93 的 f1 得分，表现优于基线模型。

Jul, 2022