基于对抗对比学习的低资源领域微博帖子谣言检测
计算与语言
2022-04-20 v2 人工智能
摘要
伴随突发新闻或热点话题涌现的大量虚假谣言严重阻碍真相。现有谣言检测方法在“旧闻”上取得了可喜性能，因为可从同一领域收集到充足语料用于模型训练。然而，由于训练数据与先验知识的匮乏（即低资源情形），它们在检测关于不可预见事件、尤其那些以不同语言传播的谣言时表现不佳。本文中，我们提出一种对抗对比学习框架，通过将从资源充足谣言数据学到的特征适配到资源匮乏数据来检测谣言。我们的模型借助语言对齐与一种新颖的有监督对比训练范式，显式克服了领域和/或语言使用的限制。此外，我们开发了一种对抗增强机制，以进一步增强低资源谣言表示的鲁棒性。在从真实世界微博平台收集的两个低资源数据集上开展的广泛实验表明，我们的框架比最先进的方法性能更优，并展现出在早期阶段检测谣言的卓越能力。
引用
@article{arxiv.2204.08143,
title = {Detect Rumors in Microblog Posts for Low-Resource Domains via Adversarial Contrastive Learning},
author = {Hongzhan Lin and Jing Ma and Liangliang Chen and Zhiwei Yang and Mingfei Cheng and Guang Chen},
journal= {arXiv preprint arXiv:2204.08143},
year = {2022}
}
备注
The first study for the low-resource rumor detection on social media in cross-domain and cross-lingual settings