软域迁移与命名实体信息对欺骗检测的影响
计算与语言
2024-10-22 v1 机器学习
摘要
在现代时代，大量通信发生在线上，人们难以判断某些文字是真实还是欺骗性的。有许多原因会导致某人在线上欺骗（例如获取经济利益、政治利益），而且在没有物理互动的情况下检测这种行为是一个困难的任务。此外，欺骗发生在多种仅文本的领域，尚不清楚这些不同来源是否可被利用来提高检测。为此，我们利用了来自多个领域的八个数据集来评估它们在与通过中间层拼接的微调 BERT 模型进行迁移学习时对分类器性能的影响。我们发现相对于基线的准确率有所提高。此外，我们评估了多个数据集之间的距离度量方法，发现 Jensen-Shannon 距离与迁移学习性能之间呈中等相关性。最后，我们评估了多种方法对 BERT 性能的影响，这些方法通过命名实体产生额外信息；我们发现准确率可提高最多 11.2%。
引用
@article{arxiv.2410.14814,
title = {Effects of Soft-Domain Transfer and Named Entity Information on Deception Detection},
author = {Steven Triplett and Simon Minami and Rakesh Verma},
journal= {arXiv preprint arXiv:2410.14814},
year = {2024}
}