面向域自适应少样本假新闻检测的综合知识增强提示学习
计算与语言
2024-06-18 v1
摘要
大多数假新闻检测（FND）方法在面对新兴新闻领域的数据稀缺问题时常常感到困扰。最近，基于预训练语言模型（PLM）的提示学习方法在域自适应少样本学习中表现前景光明，因为它通过桥接预训练与下游任务之间的差距，大大降低了对标记数据的需求。此外，外部知识也有助于验证新兴新闻，因为新兴新闻常常涉及可能不包含在 PLM 过时先验知识中的时事知识。为此，我们提出了 COOL 方法，即 Comprehensive knOwledge enhanced prOmpt Learning，用于域自适应少样本 FND。具体而言，我们提出了综合知识提取模块，从外部来源提取与新闻正相关或负相关的结构化和非结构化知识，并采用对抗性对比增强的混合提示学习策略，以建模域无关的新闻-知识相互作用模式进行 FND。实验结果表明，COOL 在各种最先进方法上都表现出优势。
引用
@article{arxiv.2406.10870,
title = {COOL: Comprehensive Knowledge Enhanced Prompt Learning for Domain Adaptive Few-shot Fake News Detection},
author = {Yi Ouyang and Peng Wu and Li Pan},
journal= {arXiv preprint arXiv:2406.10870},
year = {2024}
}