基于不确定性加权因果图的假新闻检测

社会正在经历信息消费方式的变革，因为社交网络等新兴信息渠道让人们得以分享未必可信的新闻。有时，这些信息源出于可疑目的蓄意制造假新闻，而信息消费者在误以为信息准确的情况下将其分享给其他用户。这种信息传播对我们社会构成问题，因为它可能对人们关于某些人物、群体或观念的看法产生负面影响。因此，亟需设计一种能够检测并将信息分类为假新闻、并判定信息源是否可信的系统。现有系统执行该任务存在困难，因为设计出不依赖上下文即可对此类信息进行分类的自动化流程颇为复杂。本工作中，我们提出一种通过基于加权因果图的分类器检测假新闻的机制。这些图是特定的混合模型，通过从文本中提取的因果关系构建，并考虑了因果关系的不确定性。我们利用这种表示，借助该图的概率分布，构建了一个基于已学习信息与新信息的熵和 KL 散度的假新闻分类器。我们认为，由于该模型在符号与定量方法之间的混合性质，假新闻问题得以被准确应对。我们描述了该分类器的方法论，并以合成实验及一项涉及肺癌的真实实验的形式补充了所提方法有用性的经验证据。