基于元神经过程网络的多模态突发假新闻检测

假新闻以空前速度传播，触达全球受众，并通过社交媒体平台将用户和社区置于巨大风险之中。基于深度学习的模型在针对感兴趣事件的大量标注数据上训练时表现良好，但由于领域偏移，模型在其他事件上的性能往往下降。因此，现有检测方法在突发事件上检测假新闻面临重大挑战，因为难以获取大规模标注数据集。此外，加入新突发事件的知识需要从头构建新模型或继续微调模型，这在现实场景中具有挑战性、成本高且不切实际。为应对这些挑战，我们提出了一种端到端假新闻检测框架MetaFEND，其能够通过少量已验证帖子快速学习检测突发事件上的假新闻。具体而言，所提模型将元学习与神经过程方法相整合以兼收二者优势。特别地，提出了标签嵌入模块与硬注意力机制，通过处理类别信息并剔除不相关帖子来提升有效性。我们在采集自Twitter和微博的多媒体数据集上进行了大量实验。实验结果表明，我们所提MetaFEND模型能有效检测未见事件上的假新闻，并优于最先进的方法。