分类感知神经主题模型及其在新 COVID-19 虚假信息语料上的应用
机器学习
2021-03-12 v2 计算与语言
社会与信息网络
机器学习
摘要
伴随 COVID-19 大流行爆发的虚假信息已使全球的事实核查者和媒体不堪重负，并为全球政府的应对带来了新的重大挑战。虚假信息不仅在公民中制造关于医学科学的困惑，还在放大对政策制定者和政府的不信任。为助力应对此问题，我们开发了用于对 COVID-19 虚假信息进行分类的计算方法。COVID-19 虚假信息类别可用于：a) 将事实核查工作聚焦于最具危害性的 COVID-19 虚假信息类型；b) 指导试图传达有效公共卫生信息并有效反击 COVID-19 虚假信息的政策制定者。本文提出：1) 一个目前包含最大规模人工标注 COVID-19 虚假信息类别的集合的语料库；2) 一个为 COVID-19 虚假信息类别分类和话题发现而设计的分类感知神经主题模型（CANTM）；3) 针对时间、数量、虚假类型、媒体类型和来源对 COVID-19 虚假信息类别进行的广泛分析。
引用
@article{arxiv.2006.03354,
title = {Classification Aware Neural Topic Model and its Application on a New COVID-19 Disinformation Corpus},
author = {Xingyi Song and Johann Petrak and Ye Jiang and Iknoor Singh and Diana Maynard and Kalina Bontcheva},
journal= {arXiv preprint arXiv:2006.03354},
year = {2021}
}
备注
This is arXiv version of "Classification Aware Neural Topic Model for COVID-19 Disinformation Categorisation"