九家之言以辨伪：面向可核查性预测的神经多任务学习
计算与语言
2019-08-22 v1 人工智能
摘要
我们提出了一种多任务深度学习方法，用于评估政治辩论中陈述的可核查性。给定一场政治辩论，例如 2016 年美国总统和副总统辩论，其任务是预测辩论中哪些陈述应被优先进行事实核查。虽然不同的事实核查机构在分析同一场辩论时自然会做出不同的选择，但我们表明，在多任务学习设置中同时从多个来源（PolitiFact、FactCheck、ABC、CNN、NPR、NYT、Chicago Tribune、The Guardian 和 Washington Post）学习是有益的，即使当选择一个特定来源作为模仿目标时也是如此。我们的评估在可核查性预测任务的一个标准数据集上展示了最先进的结果。
引用
@article{arxiv.1908.07912,
title = {It Takes Nine to Smell a Rat: Neural Multi-Task Learning for Check-Worthiness Prediction},
author = {Slavena Vasileva and Pepa Atanasova and Lluís Màrquez and Alberto Barrón-Cedeño and Preslav Nakov},
journal= {arXiv preprint arXiv:1908.07912},
year = {2019}
}
备注
Check-worthiness; Fact-Checking; Veracity; Multi-task Learning; Neural Networks. arXiv admin note: text overlap with arXiv:1908.01328