面向 COVID-19 疫情期间多模态不可靠新闻检测的监督对比学习
计算与语言
2021-09-13 v2
摘要
随着数字新闻业成为信息传播的主渠道，假新闻的负面影响被爆炸式放大。一篇新闻报道的可信度不应被孤立考量。相反，关于相似事件的已发布新闻文章可用于评估该报道的可信度。受此启发，我们提出一种基于 BERT 的多模态不可靠新闻检测框架，其利用对比学习策略从不可靠文章中获取文本与视觉信息。该对比学习器与不可靠新闻分类器交互，在多模态嵌入空间中将相似的可靠新闻（或相似的不可靠新闻）拉近，同时将内容相似但可信度标签相反的新闻文章彼此推远。在 COVID-19 相关数据集 ReCOVery 上的实验结果表明，我们的模型在不可靠新闻检测上优于多个有竞争力的基线。
引用
@article{arxiv.2109.01850,
title = {Supervised Contrastive Learning for Multimodal Unreliable News Detection in COVID-19 Pandemic},
author = {Wenjia Zhang and Lin Gui and Yulan He},
journal= {arXiv preprint arXiv:2109.01850},
year = {2021}
}
备注
Accepted by the CIKM 2021