利用用户评论在用户评论前实现假新闻早期检测

准确性与时效性均为社交媒体假新闻检测的关键因素。然而，多数现有方法面临准确性-时效性困境：仅内容方法保障时效性但因可用信息有限表现平平，而基于社会上下文的方法通常表现更优却因需积累社会上下文不可避免地产生延迟。为打破该困境，一种可行但研究不足的方案是利用历史新闻的社会上下文（如评论）训练检测模型，并将其应用于无社会上下文的新兴新闻。这要求模型(1)充分从社会上下文学习有用知识，且(2)良好兼容社会上下文可用或不可用的情形。为实现此目标，我们提出吸收并参数化历史新闻评论中的有用知识，再将其注入仅内容检测模型。具体而言，我们设计评论辅助假新闻检测方法(CAS-FEND)，将有用知识从具评论感知的教师模型迁移至仅内容学生模型，并以学生模型检测新兴新闻。实验表明，CAS-FEND学生模型优于所有仅内容方法，甚至以1/4评论作为输入时优于具评论感知的方法，彰显其早期检测优势。