基于与可靠信源交叉核查的自动化假新闻检测

过去十年间，假新闻与错误信息已成为影响我们生活诸多方面（包括政治与公共卫生）的重大问题。受人类自然行为启发，我们提出一种自动化检测假新闻的方法。人类的自然行为是拿新信息与可靠信源交叉核查。我们利用自然语言处理（NLP）并构建机器学习（ML）模型，将新信息与一组预定义可靠信源的交叉核查过程自动化。我们针对 Twitter 实现该方法，构建了标记虚假推文的模型。具体而言，对于给定的推文，我们利用其文本从可靠新闻机构中查找相关新闻。随后训练一个随机森林（Random Forest）模型，检查推文文本内容是否与可信新闻一致。若不一致，则该推文被分类为虚假。该方法可普遍应用于任何类型的信息，并不限于特定新闻事件或信息类别。我们对方法的实现取得了 $70\%$ 的准确率，优于其他通用假新闻分类模型。这些结果为迈向更合理、更自然的假新闻检测途径奠定了基础。