用于及时假新闻检测的双向深度半监督学习
计算与语言
2020-02-04 v1 机器学习
社会与信息网络
摘要
诸如 Twitter 等社交媒体中的新闻以高量和高速生成。然而，其中极少有被专业人士在近实时内标注（为假新闻或真实新闻）。为了实现社交媒体中假新闻的及时检测，我们提出了一种新颖的双向深度半监督学习框架，其中一条路径用于监督学习，另一条用于无监督学习。监督学习路径在有限的标注数据上学习，而无监督学习路径能够在海量未标注数据上学习。此外，这两条用卷积神经网络（CNN）实现的路径被联合优化以完成半监督学习。另外，我们构建了一个共享 CNN 来在标注数据与未标注数据上提取低级特征，并将其输入这两条路径。为验证该框架，我们实现了一个基于 Word CNN 的半监督学习模型，并在 LIAR 和 PHEME 两个数据集上进行了测试。实验结果表明，基于该框架构建的模型能用极少量标注数据有效识别假新闻。
引用
@article{arxiv.2002.00763,
title = {Two-path Deep Semi-supervised Learning for Timely Fake News Detection},
author = {Xishuang Dong and Uboho Victor and Lijun Qian},
journal= {arXiv preprint arXiv:2002.00763},
year = {2020}
}