基于LLM的域感知用户建模用于跨域假新闻检测

跨域假新闻检测（CD-FND）将知识从源域迁移到目标域，是真实世界假新闻防治的关键任务。当目标域先前未出现（例如新冠疫情或俄乌战争）时，这一任务尤为重要但更具挑战性。然而，现有CD-FND方法忽略了此类情景，导致存在两个关键局限性：（1） insufficiently（不足够）建模新闻和用户互动中的高层次语义；（2）在未出现的域中标注数据稀缺。针对这些局限性，我们发现大语言模型（LLM）为CD-FND提供了强大的潜力，但其有效应用仍不具备实践性。然而，仍存在两个关键挑战：（1）如何使用LLM从新闻内容和用户互动中捕获高层次语义；（2）如何使LLM生成的特征在未出现的域中的CD-FND中更可靠和可迁移。为解决这些挑战，我们提出DAUD（Domain-Aware framework for fake news detection on Unseen Domains），一种新颖的LLM-Based域感知框架，用于处理未出现的域中的假新闻检测。DAUD使用LLM从新闻内容中提取高层次语义。它对用户的单域和跨域互动进行建模，以生成域感知的行为表示。此外，DAUD捕捉原始数据驱动特征与LLM派生特征（新闻、用户及用户互动）之间的关系。这使其能够提取更可靠的域共享表示，以提高知识对未出现域的迁移。在真实世界数据集上的大量实验表明，DAUD在一般和未出现域的CD-FND设置中均优于最先进的基线方法。