检测、调查、判断与决定：一种知识引导的少样本假新闻检测框架
计算与语言
2025-08-29 v6 人工智能
摘要
少样本假新闻检测（FS-FND）旨在极低资源场景下区分不准确新闻与真实新闻。由于假新闻在社交媒体上的广泛传播和有害影响，该任务已获得越来越多的关注。大型语言模型（LLM）凭借其丰富的先验知识和优秀的上下文学习能力，展现了有竞争力的性能。然而，现有方法面临显著限制，例如理解歧义和信息稀缺，这严重削弱了LLM的潜力。为解决这些不足，我们提出了一种双视角知识引导的假新闻检测（DKFND）模型，旨在从内部和外部两个视角增强LLM。具体来说，DKFND首先通过检测模块识别每篇新闻文章的知识概念。随后，DKFND创造性地设计了一个调查模块，以检索与当前新闻相关的内部和外部有价值信息，接着通过判断模块评估它们的相关性和置信度。最后，一个决定模块进一步得出两个各自的预测并获取最终结果。在两个公开数据集上的大量实验表明了我们提出的方法的有效性，尤其是在低资源设置下。
引用
@article{arxiv.2407.08952,
title = {Detect, Investigate, Judge and Determine: A Knowledge-guided Framework for Few-shot Fake News Detection},
author = {Ye Liu and Jiajun Zhu and Xukai Liu and Haoyu Tang and Yanghai Zhang and Kai Zhang and Xiaofang Zhou and Enhong Chen},
journal= {arXiv preprint arXiv:2407.08952},
year = {2025}
}