通过域级与实例级迁移提升关键领域的假新闻检测

政治、健康、娱乐等各类领域中的真实与虚假新闻每天经由在线社交媒体传播，使得面向多领域的假新闻检测成为必要。其中，政治和健康等特定领域的虚假新闻对现实世界具有更严重的潜在负面影响（例如由 COVID-19 错误信息引发的信息疫情）。以往研究聚焦于多领域假新闻检测，平等地挖掘和建模领域间的相关性。然而，这些多领域方法存在跷跷板问题：某些领域的性能提升往往以损害其他领域性能为代价，导致在特定领域上表现不佳。为解决该问题，我们提出一种用于假新闻检测的域级与实例级迁移框架（DITFEND），可提升特定目标领域的性能。为迁移粗粒度的域级知识，我们从元学习视角利用所有领域的数据训练一个通用模型。为迁移细粒度的实例级知识并将通用模型适配到目标领域，我们在目标领域上训练一个语言模型以评估源领域中每个数据实例的可迁移性，并重新加权各实例的贡献。在两个数据集上的离线实验证明了 DITFEND 的有效性。在线实验表明，在真实场景中海量 DITFEND 相较基线模型带来了额外提升。