Feb, 2024

MSynFD: 多跳句法感知假新闻检测

PDF
TL;DR我们提出了一种新颖的多跳语法感知假新闻检测（MSynFD）方法，该方法利用互补的语法信息来处理假新闻中的微妙转折。通过引入语法依赖图和设计多跳子图聚合机制来捕捉多跳语法，扩展了词感知的效果，从而实现有效的噪声过滤和相邻关系增强。随后，设计了一个顺序相对位置感知的 Transformer 来捕捉顺序信息，并结合一个精心设计的关键词去偏模块来减少先验偏差。在两个公共基准数据集上的大量实验结果验证了我们提出的 MSynFD 方法的有效性和卓越性能，超过了最先进的检测模型。
fake news detectionsocial media platformssyntax-awaremulti-hop subgraph aggregationkeyword debiasing
发现论文，激发创造
  • 基于图神经网络的社交背景建模用于假新闻检测

    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

  • 假新闻早期检测：一项跨学科研究

    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

  • 基于多粒度信息融合的社交媒体多模态假新闻检测

    文章介绍了一种用于检测假新闻的多粒度多模态融合网络模型，并将模型性能与现有方法进行了比较。

    Apr, 2023

  • 利用异质社交媒体上下文图探究虚假新闻检测

    通过构建多种异质社交上下文图并将问题重新定义为图分类任务，本文提出了一种高效的方法来检测虚假新闻，并在常见基准数据集上获得了鲁棒的结果，研究成果表明将不同类型的信息（以获得何种社交上下文水平最有效）与使用不同的图形神经网络架构相结合非常有效。

    Dec, 2022

  • 异构 Transformer 模型用于假新闻检测

    本篇论文提出了一种基于 Transformer 的新型 HetTransformer 模型，旨在有效准确地识别社交网络上的假新闻，该模型能够全面捕捉社交网络中实体的本地多模态语义和传播模式的全局结构表示。实验表明，该模型在假新闻检测方面优于现有的基线模型。

    May, 2022

  • 利用多源弱社交监督进行假新闻的早期检测

    本研究提出了一种利用社交媒体上的弱标注信号并采用深度神经网络在元学习框架下结合少量干净数据进行训练，以提高虚假新闻的早期检测的方法，实验结果显示该方法可以有效地超越目前的最先进的基准线模型。

    Apr, 2020

  • 基于记忆引导的多视角多域假新闻检测

    本文提出了一种名为 M$^3$FEND 的框架，通过从多视角建模内容，包括语义、情感和风格等，使用领域记忆库显著改进了领域信息，适应性地聚合多个视角的判别性信息，提高了跨领域假新闻检测的成功率。

    Jun, 2022

  • SEMI-FND: 基于堆叠集成的多模态推理，用于更快的假新闻检测

    本论文探讨了一种基于多模态堆叠集成方法 (SEMIFND) 的假新闻检测方法，通过分析图像模态确定 NasNet Mobile 模型在该任务中的适用性，使用 BERT 和 ELECTRA 的集成方法对文本进行分析，并在 Twitter 和 Weibo 两个数据集上实现了 85.80% 和 86.83% 的准确率，其参数数量比类似的方法减少了至少 20%。

    May, 2022

  • 基于深度学习的假新闻检测的多策略框架

    该研究引入了多策略语句检查器（MPSC）框架来自动化检测假新闻，该框架利用深度学习技术分析语句及相关新闻文章，预测其是否可信，研究结果表明多政策分析可可靠地识别可疑语句，对于假新闻检测具有优势。

    Jun, 2022

  • 基于图神经网络的假新闻检测：一项调查

    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