发现差异特征：用于信息可信度评估的对抗学习
计算机与社会
2019-09-18 v1 计算与语言
机器学习
社会与信息网络
摘要
一系列深度学习方法提取大量可信度特征以检测互联网上的假新闻。然而，这些提取的特征仍然深受许多不相关和噪声特征的困扰，严重限制了方法的性能。在本文中，我们提出了一种基于对抗网络并受共享-私有模型启发的新型模型（ANSP），旨在从提取的特征中减少用于信息可信度评估的共性、不相关特征。具体而言，ANSP涉及两项任务：其一，依靠由强化学习引导的对抗网络来防止真假信息的二分类，从而捕获共性特征。其二，从多种类型的可信度信息中提取可信度特征（以下称私有特征），并通过正交约束和KL散度两种策略与共性特征进行比较，以使私有特征更具差异性。首先在六标签的LIAR和Weibo两个数据集上的实验表明，ANSP达到了最先进的性能，准确率分别提升了2.1%、3.1%；随后在四标签的Twitter16上验证了模型的鲁棒性，性能提升1.8%。
引用
@article{arxiv.1909.07523,
title = {Discovering Differential Features: Adversarial Learning for Information Credibility Evaluation},
author = {Lianwei Wu and Yuan Rao and Ambreen Nazir and Haolin Jin},
journal= {arXiv preprint arXiv:1909.07523},
year = {2019}
}
备注
Information Sciences