基于时间序列双情感的多任务后缀学习的谣言检测
计算与语言
2025-09-16 v2
摘要
社交媒体上谣言的广泛传播对人们的生活产生了重大影响，可能导致公众恐慌和恐惧。谣言常常唤起特定情感，引发读者共鸣并促使分享。为了有效检测和跟踪谣言，必须观察谣言在时间推移中的细粒度情感，尤其是来自源消息与响应消息对的情感。然而，现有的谣言检测方法未能考虑这一方面。本文提出了MSuf——首个基于时间序列双情感(耦合情感)的谣言检测与跟踪的多任务后缀学习框架。MSuf包含三个模块：(1) 使用大语言模型提取情感强度特征并按时间顺序排序；(2) 将排序后的情感特征与其源文本词嵌入融合以获得对齐嵌入；(3) 将两个硬提示与对齐向量结合，使用一个冻结的大语言模型进行谣言检测和情感分析。MSuf仅通过最小参数微调即可显著提升大语言模型在谣言检测任务中的性能。在四个谣言检测基准数据集上评估MSuf，我们发现与其他情感-based方法相比具有显著改进。
引用
@article{arxiv.2502.14383,
title = {Rumor Detection by Multi-task Suffix Learning based on Time-series Dual Sentiments},
author = {Zhiwei Liu and Kailai Yang and Eduard Hovy and Sophia Ananiadou},
journal= {arXiv preprint arXiv:2502.14383},
year = {2025}
}
备注
work in progress