基于 Transformer 的可解释言语欺骗检测
计算与语言
2022-10-07 v1
摘要
人们经常面对潜在的欺骗性陈述（例如假新闻、误导性产品评论或关于活动的谎言）。仅有少数基于文本的自动欺骗检测工作利用了深度学习方法潜力。对深度学习方法的一个批评是其缺乏可解释性，阻碍我们理解欺骗涉及的潜在（语言）机制。然而，近期进展已使解释此类模型的某些方面成为可能。本文提出并评估了六种深度学习模型，包括 BERT（及 RoBERTa）、多头注意力、协同注意力与 transformer 的组合。为理解模型如何得出决策，我们随后用 LIME 检视模型预测。接着我们聚焦于词汇独特性以及 LIWC 类别与结果类别（诚实 vs 欺骗）的相关性。结果表明，我们的基于 transformer 的模型可提升自动欺骗检测性能（准确率提高 2.11%），并显示出诚实与欺骗陈述中 LIWC 特征使用的显著差异。
引用
@article{arxiv.2210.03080,
title = {Explainable Verbal Deception Detection using Transformers},
author = {Loukas Ilias and Felix Soldner and Bennett Kleinberg},
journal= {arXiv preprint arXiv:2210.03080},
year = {2022}
}