基于知识增强语言模型的假新闻检测评估
计算与语言
2023-02-14 v2
摘要
假新闻检测的最新进展已借助大规模预训练语言模型（PLMs）的成功。当前最先进的主流方法是在带标签的假新闻数据集上对 PLMs 进行微调。然而，大规模 PLMs 通常未在结构化事实数据上训练，因此可能不具备基于事实准确知识的先验。现有知识库（KBs）含有丰富的人工整理事实信息，因而有潜力使假新闻检测更加有效和鲁棒。本文研究了将知识整合进 PLMs 对假新闻检测的影响。我们研究了几种最先进的知识整合方法（大多使用 Wikidata 作为 KB），在两个流行的假新闻数据集上进行了实验——LIAR（一个基于政治的数据集）和 COVID-19（一个包含社交媒体上发布的与 COVID-19 大流行相关消息的数据集）。实验表明，在 KB 相关且最新的 LIAR 上，知识增强模型能显著改善假新闻检测。在 COVID-19 上的混合结果凸显了对文体特征的依赖，以及领域特定和时效性 KBs 的重要性。
引用
@article{arxiv.2204.00458,
title = {Evaluation of Fake News Detection with Knowledge-Enhanced Language Models},
author = {Chenxi Whitehouse and Tillman Weyde and Pranava Madhyastha and Nikos Komninos},
journal= {arXiv preprint arXiv:2204.00458},
year = {2023}
}
备注
Proceedings of AAAI-ICWSM 2022