基于动态知识更新驱动的大型语言模型假新闻检测模型
计算与语言
2025-09-16 v1
摘要
随着互联网和社交媒体的快速发展，区分可信新闻和大量复杂信息的任务日益具有挑战性。由于新闻事件的突发性和不稳定性，新闻的真实性标签可能会随事件发展而变化，这使得获取最新事件更新对假新闻检测至关重要。现有方法采用检索增强生成来填补知识差距，但会出现检索内容的可信度不足和噪声信息的干扰问题。我们提出一种基于动态知识更新驱动的假新闻检测模型 (DYNAMO)，该模型利用知识图谱实现对新知识的持续更新，并与大型语言模型集成，以实现双重功能：新闻真实性检测和新知识正确性验证，从而解决确保新知识真实性和深入挖掘新闻语义的两个关键问题。具体而言，我们首先构建一个针对新闻领域的特定知识图谱。然后，我们使用蒙特卡洛树搜索将复杂新闻分解并逐步验证。最后，我们从已验证的真实新闻文本和推理路径中提取并更新新知识。实验结果表明，DYNAMO 在两个真实世界数据集上实现了最佳性能。
引用
@article{arxiv.2509.11687,
title = {A Dynamic Knowledge Update-Driven Model with Large Language Models for Fake News Detection},
author = {Di Jin and Jun Yang and Xiaobao Wang and Junwei Zhang and Shuqi Li and Dongxiao He},
journal= {arXiv preprint arXiv:2509.11687},
year = {2025}
}