利用多源弱社会监督进行假新闻早期检测

社交媒体极大地使人们能够以前所未有的速度参与在线活动。然而，这种不受限制的访问也加剧了错误信息和假新闻在网络上的传播，如果不及早发现并加以缓解，可能会引起混乱和动荡。鉴于新闻事件的快速演变性质和有限数量的标注数据，最先进的假新闻检测系统面临着挑战，因为缺乏大量难以获得的标注训练实例来进行早期检测。在这项工作中，我们利用了来自用户和内容互动（称为弱社会监督）给出的不同来源的多个弱信号，及其互补效用来检测假新闻。我们共同利用有限数量的干净数据以及来自社会互动的弱信号，在元学习框架中训练深度神经网络，以估计不同弱实例的质量。在真实世界数据集上的实验表明，所提出的框架在预测时不使用任何用户互动的情况下，在假新闻早期检测方面优于最先进的基线。