多模态假新闻检测
计算与语言
2021-12-10 v1
摘要
在过去几年中，假新闻出现了前所未有的激增。因此，我们更容易受到错误信息与虚假信息扩散对社会不同领域所能产生的有害影响。因而，开发用于自动检测假新闻的工具在预防其负面效应方面发挥着重要作用。大多数检测与分类虚假内容的尝试仅聚焦于使用文本信息。多模态方法较少见，且通常将新闻简单分类为真实或虚假。在本工作中，我们使用单模态与多模态方法在Fakeddit数据集上对假新闻进行细粒度分类。我们的实验表明，基于结合文本与图像数据的卷积神经网络（CNN）架构的多模态方法取得了最佳结果，准确率为87%。某些假新闻类别如篡改内容、讽刺或错误关联强烈受益于图像的使用。使用图像也提升了其他类别的结果，但影响较小。关于仅使用文本的单模态方法，Bidirectional Encoder Representations from Transformers（BERT）是最佳模型，准确率为78%。因此，利用文本与图像数据显著提升了假新闻检测的性能。
引用
@article{arxiv.2112.04831,
title = {Multimodal Fake News Detection},
author = {Santiago Alonso-Bartolome and Isabel Segura-Bedmar},
journal= {arXiv preprint arXiv:2112.04831},
year = {2021}
}