FAKEDETECTOR：基于深度扩散神经网络的有效假新闻检测
社会与信息网络
2019-08-13 v2 人工智能
神经与进化计算
机器学习
摘要
近年来，由于在线社交网络的蓬勃发展，出于各种商业和政治目的的假新闻大量出现并在网络世界中广泛传播。借助具有欺骗性的文字，在线社交网络用户很容易受到这些在线假新闻的感染，这已经对线下社会造成了巨大影响。提高在线社交网络信息可信度的一个重要目标是及时识别假新闻。本文旨在研究从在线社交网络中检测假新闻文章、创建者和主题并评估相应性能的原理、方法和算法。本文解决了由假新闻的未知特征以及新闻文章、创建者和主题之间多样关联所带来的挑战。本文提出了一种新颖的自动假新闻可信度推断模型，即 FAKEDETECTOR。基于从文本信息中提取的一组显式和隐式特征，FAKEDETECTOR 构建了一个深度扩散网络模型，以同时学习新闻文章、创建者和主题的表示。已在真实世界假新闻数据集上进行了大量实验，将 FAKEDETECTOR 与几种最先进（SOTA）模型进行比较，实验结果证明了所提模型的有效性。
引用
@article{arxiv.1805.08751,
title = {FAKEDETECTOR: Effective Fake News Detection with Deep Diffusive Neural Network},
author = {Jiawei Zhang and Bowen Dong and Philip S. Yu},
journal= {arXiv preprint arXiv:1805.08751},
year = {2019}
}
备注
12 pages