外部可靠信息增强的多模态对比学习用于假新闻检测
计算与语言
2025-03-06 v1 人工智能
摘要
随着互联网的快速发展，信息传播模式发生了变化，传播效率大幅提升。然而这也带来了假新闻的快速传播，并对网络空间产生了负面影响。目前，信息呈现形式逐步演进，新闻格式从文本转向多模态内容。因此，检测多模态假新闻已成为研究热点之一。然而，多模态假新闻检测研究领域仍面临两大主要挑战：无法充分且有效地利用多模态信息进行检测，以及引入的外部信息可信度低或具有静态性，限制了动态更新。为弥合这些差距，我们提出了 ERIC-FND，一种外部可靠信息增强的多模态对比学习框架，用于假新闻检测。ERIC-FND 通过实体增强的外部信息增强方法来强化新闻内容的表示。它还通过多模态语义交互方法丰富了多模态新闻信息，其中采用多模态对比学习使不同模态的表示相互学习。此外，采用自适应融合方法整合来自不同维度的新闻表示以进行最终分类。在两个常用数据集（X（Twitter）和微博）上进行了实验。实验结果表明，所提出的 ERIC-FND 模型在相同设置下优于现有的最先进假新闻检测方法。
引用
@article{arxiv.2503.03107,
title = {External Reliable Information-enhanced Multimodal Contrastive Learning for Fake News Detection},
author = {Biwei Cao and Qihang Wu and Jiuxin Cao and Bo Liu and Jie Gui},
journal= {arXiv preprint arXiv:2503.03107},
year = {2025}
}
备注
accepted by AAAI'25