CL-ISR：面向社交媒体误导性文本检测的对比学习与隐式立场推理框架
计算与语言
2025-06-06 v1
摘要
社交媒体平台上的误导性文本检测是关键研究领域，因为此类文本可能导致公众误解、社会恐慌甚至经济损失。本文提出一种新框架 - CL-ISR（对比学习与隐式立场推理），结合对比学习和隐式立场推理，以提高社交媒体上误导性文本的检测准确度。首先，我们使用对比学习算法提高模型对 truthful 与 misleading 文本之间语义差异的学习能力。对比学习有助�模型更好地捕获不同类别之间的区分特征，通过构建正负样本对实现。这种方法能够更有效地让模型捕获区分特征，尤其在语言结构复杂的情况下。其次，我们引入隐式立场推理模块，以探索文本中潜在的立场倾向及其与相关话题之间的关系。此方法对于识别通过立场转移或情感操纵来误导的内容有效，因为它能够捕捉文本背后的隐式信息。最后，我们将这两种算法整合为新框架 CL-ISR，利用对比学习的判别力和立场推理的解释深度，显著提高检测效果。
引用
@article{arxiv.2506.05107,
title = {CL-ISR: A Contrastive Learning and Implicit Stance Reasoning Framework for Misleading Text Detection on Social Media},
author = {Tianyi Huang and Zikun Cui and Cuiqianhe Du and Chia-En Chiang},
journal= {arXiv preprint arXiv:2506.05107},
year = {2025}
}
备注
6 pages, 2 figures