跨域虚假新闻检测的宏观-微观层次迁移学习框架

跨域虚假新闻检测旨在通过在不同域之间迁移知识来缓解域漂移并提高检测性能。现有方法仅基于新闻内容和用户互动从源域迁移知识到目标域，面临两个主要局限性，阻碍有效的知识迁移和最佳的虚假新闻检测性能。首先，从微观角度，这些方法忽略了在跨域迁移域共享特征时，新闻内容中与真实性无关的特征所带来的负面影响。其次，从宏观角度，现有方法忽略了用户互动与新闻内容之间的关系，这揭示了常见用户在不同域中的共享行为，并可促进更有效的知识迁移。为此，我们提出一种新的宏观-微观层次迁移学习框架（MMHT），用于跨域虚假新闻检测。首先，我们提出一个微观层次解耦模块，用于从源域的新闻内容中解耦出与真实性相关和与真实性无关的特征，以提高目标域中虚假新闻检测的性能。其次，我们提出一个宏观层次迁移学习模块，基于不同域中共同用户的共享行为生成互动特征，以提高知识迁移的效果。大量实验表明，在真实数据集上，我们的框架显著优于最先进的基线方法。