呼吁CNN-LSTM进行谣言检测：一种用于微博消息真实性分类的深度多通道模型
计算与语言
2021-11-01 v1 人工智能
摘要
社交媒体以其低成本、易获取、实时和有价值的信息而闻名，但也广泛传播未经证实或虚假的新闻。谣言可对个人和社会造成严重损害。因此，社交媒体上的谣言检测近来吸引了大量关注。大多数谣言检测方法侧重于谣言特征分析与社会特征，即社交媒体中的元数据。遗憾的是，这些特征具有数据特异性，且可能并非总是可用，例如当谣言刚出现尚未传播时。相比之下，帖子内容（包括图像或视频）起着重要作用，并能指示谣言的传播目的。此外，谣言分类也与观点挖掘和情感分析密切相关。然而，据我们所知，利用图像与情感的研究很少。考虑到来自微博的可用多模态特征，我们在此提出一种称为deepMONITOR的端到端模型，该模型基于深度神经网络，通过利用帖子文本与图像内容以及情感这三种特征，实现相当准确的自动化谣言验证。deepMONITOR将图像特征与联合文本及情感特征拼接，产生可靠的融合分类。我们在两个大规模真实世界数据集上进行了广泛实验。结果表明，deepMONITOR取得了比最先进方法更高的准确率。
引用
@article{arxiv.2110.15727,
title = {Calling to CNN-LSTM for Rumor Detection: A Deep Multi-channel Model for Message Veracity Classification in Microblogs},
author = {Abderrazek Azri and Cécile Favre and Nouria Harbi and Jérôme Darmont and Camille Noûs},
journal= {arXiv preprint arXiv:2110.15727},
year = {2021}
}