一种用于假新闻检测的事件相关性过滤方法

如今，社交网络平台因其快速传播信息的能力已成为人们了解新闻与事件的主要来源，这不可避免地为假新闻的传播提供了沃土。因此，检测假新闻十分重要，否则可能导致公众误导与恐慌。现有深度学习模型在解决假新闻检测问题上已取得巨大进展。然而，训练有效的深度学习模型通常需要大量标注新闻，而实际应用中提供充足标注新闻成本高且耗时。为提升假新闻检测性能，我们利用新闻的事件相关性并提出一种用于假新闻检测的事件相关性过滤方法（ECFM），主要由新闻特征提取器、伪标签标注器、事件可信度更新器和新闻熵选择器组成。新闻特征提取器负责从新闻中提取文本特征，其与伪标签标注器协作，通过充分挖掘新闻的事件相关性为未标注新闻分配伪标签。此外，事件可信度更新器采用自适应卡尔曼滤波削弱事件的可信度波动。为进一步提升检测性能，新闻熵选择器通过量化新闻熵从伪标注新闻中自动发现高质量样本。最后，提出ECFM将它们整合以事件相关性过滤方式检测假新闻。大量实验证明，可解释地引入新闻的事件相关性有利于提升假新闻检测性能。