一种启发式驱动、基于不确定性的集成框架用于推文与新闻文章中的假新闻检测
计算与语言
2021-12-14 v2 人工智能
摘要
过去几十年中，社交媒体的重要性成倍增加，因为它帮助即使世界上最偏远角落的人们保持联系。随着技术的出现，数字媒体比以往任何时候都更加相关和广泛使用，与此同时，假新闻和推文的传播再度兴起，亟需立即关注。在本文中，我们描述了一种新颖的假新闻检测系统，可自动识别新闻条目为“真实”或“假”，作为我们在CONSTRAINT COVID-19英语假新闻检测挑战赛工作的扩展。我们使用了一个由预训练模型后接统计特征融合网络组成的集成模型，以及一种新颖的启发式算法，通过将新闻条目或推文中存在的各种属性（如来源、用户名句柄、URL域名和作者）作为统计特征纳入。我们提出的框架还量化了可靠的预测不确定性以及分类任务适当的类别输出置信水平。我们在COVID-19假新闻数据集和FakeNewsNet数据集上评估了结果，以展示所提算法在短新闻内容与新闻文章中检测假新闻的有效性。我们在COVID-19数据集上获得最佳F1-score为0.9892，在FakeNewsNet数据集上F1-score为0.9073。
引用
@article{arxiv.2104.01791,
title = {A Heuristic-driven Uncertainty based Ensemble Framework for Fake News Detection in Tweets and News Articles},
author = {Sourya Dipta Das and Ayan Basak and Saikat Dutta},
journal= {arXiv preprint arXiv:2104.01791},
year = {2021}
}
备注
Accepted to Neurocomputing