Nov, 2024

一种正则化长短期记忆模型用于检测虚假新闻文章

HTML
PDF
TL;DR本研究解决了快速传播虚假新闻带来的信息误导问题。通过使用23,502篇虚假新闻和21,417篇真实新闻的综合数据集，并开发了三种机器学习模型，最终实现了98%的检测准确率。研究结果为新闻识别提供了先进的机器学习工具，具有重大的现实应用潜力。
发现论文，激发创造
  • 自动检测虚假新闻

    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

  • 基于张量嵌入的半监督内容谣言检测

    该研究针对含有大量内容的新闻文章，提出了一种基于内容检测伪新闻的方法，使用多维张量分解得到每篇文章的嵌入特征，并通过在文章之间创建图来传播有限标签，实验结果表明该方法能够使用更少的标签实现更好的检测精度。

    Apr, 2018

  • 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

  • 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

  • 一种用于假新闻检测的双向LSTM方法

    本研究使用双向LSTM算法对一定数量的外文新闻网站和报纸进行数据收集，在训练数据上达到84%的模型准确度和62.0的F1宏平均得分，以确定新闻真假。

    Jun, 2022

  • 利用主题和深度变分模型的可解释假新闻检测

    本研究开发了一个深度概率模型，该模型使用一个变分自动编码器和双向LSTM网络的密集文本表示与从贝叶斯混合模型中推断出的语义主题相关特征，旨在使用可解释的特征和方法检测真假新闻，实验证明该方法实现了与现有方法可比较的性能。

    Sep, 2022

  • 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

  • 适应大语言模型时代的假新闻检测

    本文研究了大型语言模型时代中的假新闻检测问题，发现仅训练于人工编写文章的检测器在检测机器生成的假新闻方面表现良好，但反之不成立。此外，由于检测器对机器生成的文本存在偏见，需要在训练集中使用比测试集中较低比例的机器生成新闻。基于我们的发现，我们提供了一个实用的策略来开发健壮的假新闻检测器。

    Nov, 2023

  • 增强假新闻检测：利用SVM和复杂文本向量化技术，挑战BERT？

    本研究解决了当今对假新闻快速传播的紧迫需求，通过使用机器学习和自然语言处理技术，特别是支持向量机（SVM）和BERT，来检测假新闻。研究中比较了三种文本向量化方法的有效性，结果表明尽管BERT性能优于其他模型，但使用BoW和TF-IDF向量化方法的SVM模型也展现出了相当接近的表现，具有更低的计算需求。

    Nov, 2024