基于强化学习的域自适应假新闻检测
社会与信息网络
2022-02-17 v1 机器学习
摘要
随着社交媒体成为信息消费的主要力量,假新闻的加速传播给平台区分合法新闻与假新闻带来了新挑战。由于新闻领域多样且标注成本高昂,有效的假新闻检测是一项重要任务。在这项工作中,我们通过将辅助信息(例如用户评论和用户-新闻交互)整合到一个名为 \textbf{RE}inforced \textbf{A}daptive \textbf{L}earning \textbf{F}ake \textbf{N}ews \textbf{D}etection (REAL-FND) 的基于强化学习的新型模型中,解决了现有自动化假新闻检测模型的局限性。REAL-FND 利用了跨域和域内知识,使其即使在不同的源域中训练,在目标域中也具有鲁棒性。在真实世界数据集上的大量实验说明了所提模型的有效性,尤其是在目标域中仅有有限标注数据时。
引用
@article{arxiv.2202.08159,
title = {Domain Adaptive Fake News Detection via Reinforcement Learning},
author = {Ahmadreza Mosallanezhad and Mansooreh Karami and Kai Shu and Michelle V. Mancenido and Huan Liu},
journal= {arXiv preprint arXiv:2202.08159},
year = {2022}
}
备注
Accepted to The ACM Web Conference (WWW) 2022