DeClarE：基于证据感知深度学习的假新闻与虚假声明辟谣
计算与语言
2018-09-19 v1 机器学习
摘要
假新闻等错误信息是我们社会面临的重大挑战之一。自动化事实核查的研究已提出基于监督学习的方法，但这些方法除带标签的训练样本外不考虑外部证据。近期的方法通过引入与声明相关的外部来源来弥补这一不足，然而这些方法需要大量的特征建模和丰富的词典。本文克服了先前工作的这些局限，提出了一种端到端的、对任意文本声明进行证据感知可信度评估的模型，无需任何人工干预。该模型提出了一个神经网络，审慎地聚合来自外部证据文章、这些文章的语言及其来源可信度的信号。它还推导出用于生成用户可理解解释的信息性特征，使神经网络预测对终端用户透明。在四个数据集上的实验与消融研究显示了我们方法的优势。
引用
@article{arxiv.1809.06416,
title = {DeClarE: Debunking Fake News and False Claims using Evidence-Aware Deep Learning},
author = {Kashyap Popat and Subhabrata Mukherjee and Andrew Yates and Gerhard Weikum},
journal= {arXiv preprint arXiv:1809.06416},
year = {2018}
}
备注
EMNLP 2018