通过多模态融合框架与集成学习进行谣言分类
计算机视觉与模式识别
2023-02-13 v1 人工智能
计算与语言
社会与信息网络
摘要
社交媒体上谣言的泛滥因其可造成破坏性影响而成为重大关切。人工评估社交媒体消息真实性是一项极为耗时的任务，可极大受益于机器学习。多数消息真实性核验方法仅利用文本内容与元数据，极少同时考虑文本与视觉内容（尤其是图像）。此外，先前工作使用许多经典机器学习模型检测谣言；然而，尽管近期研究已证明集成机器学习方法的有效性，此类模型却鲜被应用。因此，本文提出一组受图像质量评估领域启发的先进图像特征，并引入多模态融合框架以评估社交网络消息真实性（MONITOR），其通过探索多种机器学习模型利用全部消息特征。进而，我们利用五种元学习模型论证了集成学习算法用于谣言检测的有效性。最终，我们在两个真实世界数据集上开展广泛实验。结果表明，MONITOR 优于 SOTA 机器学习基线，且集成模型显著提升了 MONITOR 的性能。
引用
@article{arxiv.2302.05289,
title = {Rumor Classification through a Multimodal Fusion Framework and Ensemble Learning},
author = {Abderrazek Azri and Cécile Favre and Nouria Harbi and Jérôme Darmont and Camille Noûs},
journal= {arXiv preprint arXiv:2302.05289},
year = {2023}
}
备注
Information Systems Frontiers, 2022