基于迁移学习的情感感知多任务假新闻与谣言检测方法

社交网站、博客和在线文章是全球互联网用户的即时新闻来源。然而，在缺乏强制社交媒体上每篇文本真实性的严格监管的情况下，这些文本中某些可能是假新闻或谣言。其欺骗性质与即时传播能力会对社会产生不利影响。这亟需更有效地检测网上的假新闻与谣言。本工作中，我们使用迁移学习为四个假新闻检测与谣言检测数据集标注其情感类别标签。我们展示了文本真实性与内在情感在假新闻和谣言检测中的关联，并证明即便在同一情感类别内，假新闻与真实新闻也常表现不同，这可用于改进特征提取。基于此，我们提出一个用于假新闻与谣言检测的多任务框架，同时预测文本的情感与真实性。我们在单任务与多任务设置下训练多种深度学习模型以进行更全面的比较。我们进一步分析了多任务方法在跨域假新闻检测中的表现，以验证其更好的跨数据集泛化效能，并验证情感充当域无关特征。实验结果证实，无论在域内还是跨域设置下，我们的多任务模型在准确率、精确率、召回率和 F1 分数上均持续优于对应的单任务模型。我们还定性分析了单任务与多任务学习模型的性能差异。