基于强化学习的弱监督假新闻检测

如今，社交媒体已成为新闻的主要来源。通过社交媒体平台，假新闻以空前的速度传播，触达全球受众，并将用户和社区置于巨大风险之中。因此，尽早检测假新闻极为重要。近来，基于深度学习的方法在假新闻检测中表现出改进的性能。然而，此类模型的训练需要大量标注数据，而人工标注耗时且昂贵。此外，由于新闻的动态特性，标注样本可能迅速过时，无法代表新出现事件的新闻文章。因此，如何获取新鲜且高质量的标注样本是在假新闻检测中应用深度学习模型的主要挑战。为应对这一挑战，我们提出了一种强化弱监督假新闻检测框架，即WeFEND，它可利用用户举报作为弱监督来扩充假新闻检测的训练数据量。所提框架由三个主要组件构成：标注器、强化选择器和假新闻检测器。标注器可基于用户举报为未标注新闻自动分配弱标签。强化选择器使用强化学习技术从弱标注数据中挑选高质量样本，并过滤掉可能降低检测器预测性能的低质量样本。假新闻检测器旨在基于新闻内容识别假新闻。我们在一个通过微信公众号发布的新闻文章及其关联用户举报的大型集合上测试了所提框架。在该数据集上的大量实验表明，与SOTA方法相比，所提WeFEND模型取得了最佳性能。