同源不同吸收：用于假新闻检测的筛分式多任务学习
计算与语言
2019-09-05 v1 社会与信息网络
摘要
近来，基于多任务学习的神经网络在假新闻检测上取得了可喜性能，其侧重于学习任务间的共享特征作为互补特征以服务于不同任务。然而，在多数现有方法中，共享特征未经筛选便完全分配给不同任务，可能导致一些无用甚至有害的特征被整合进特定任务。本文中，我们设计了一种带选择性共享层的筛分式多任务学习方法用于假新闻检测。该选择性共享层采用门机制与注意力机制来过滤并选择任务间的共享特征流。在两个公开且广泛使用的竞赛数据集（即 RumourEval 与 PHEME）上的实验表明，我们提出的方法达到了最先进（SOTA）性能，并将 F1 分数分别提升了超过 0.87%、1.31%。
引用
@article{arxiv.1909.01720,
title = {Different Absorption from the Same Sharing: Sifted Multi-task Learning for Fake News Detection},
author = {Lianwei Wu and Yuan Rao and Haolin Jin and Ambreen Nazir and Ling Sun},
journal= {arXiv preprint arXiv:1909.01720},
year = {2019}
}
备注
10 pages, 5 figures, EMNLP 2019