谣言比真相传得更快更远，看AI如何拦住它

最新推荐文章于 2024-05-24 02:08:26 发布
最新推荐文章于 2024-05-24 02:08:26 发布
阅读量87 收藏
点赞数
文章标签： java 数据库 开发语言
原文链接：http://www.zhihu.com/hot
版权

导语

如何判别新闻真假：主旨和形式说到直接检查新闻内容时，有两种方法来判断故事真假：作者在说什么和作者是如何叙述的。钱帕利亚（Ciampaglia）和同事们用一个程序自动完成了这个令人厌烦的任务，这个程序检查一个句子的主体和客体有多么关联。为了做到这一点，这个程序采用了从每页维基百科右侧的信息栏里的事实构建的庞大的名词网络--尽管已经有类似的网络从其他知识库被构建成，例如研究数据库。在钱帕利亚小组的名词网络中，如果一个名词出现在另一个的信息栏中，两个名词就是有关联的。一份声明的主体和客体之间在这个网络中分离度越小，连接主体和客体的中间词越具体，这个电脑程序越可能把这个声明标记为真实的。以“巴拉克·奥巴马（Barack Obama）是穆斯林“的虚假声称为例，在这个名词网络中，“奥巴马（Obama）”和“伊斯兰（Islam）”之间有7个分离度，包括连接很多其他名词的非常普遍的名词，如”加拿大（Canada）“。2015年发表在 PLOS ONE 的一篇论文显示，这个自动检查事实的程序可以根据“奥巴马”和“伊斯兰”之间悠长曲折的路径，判断出“奥巴马不可能是穆斯林”。大致路径自动事实检查程序通过研究从维基百科信息创建的名次网络中单词“奥巴马”和“伊斯兰”的分离度来判断“奥巴马是穆斯林”这一声称。这两个单词之间过于模糊的联系表明了这份声明是假的。

每一个HTML文档中，都有一个不可或缺的标签：<head>，在几乎所有的HTML文档里， 我们都可以看到类似下面这段代码：

html{color:#000;overflow-y:scroll;overflow:-moz-scrollbars}
body,button,input,select,textarea{font-size:12px;font-family:Arial,sans-serif}
h1,h2,h3,h4,h5,h6{font-size:100%}
em{font-style:normal}
small{font-size:12px}
ol,ul{list-style:none}
a{text-decoration:none}
a:hover{text-decoration:underline}
legend{color:#000}
fieldset,img{border:0}
button,input,select,textarea{font-size:100%}
table{border-collapse:collapse;border-spacing:0}
img{-ms-interpolation-mode:bicubic}
textarea{resize:vertical}
.left{float:left}
.right{float:right}
.overflow{overflow:hidden}
.hide{display:none}
.block{display:block}
.inline{display:inline}
.error{color:red;font-size:12px}
button,label{cursor:pointer}
.clearfix:after{content:'\20';display:block;height:0;clear:both}
.clearfix{zoom:1}
.clear{clear:both;height:0;line-height:0;font-size:0;visibility:hidden;overflow:hidden}
.wordwrap{word-break:break-all;word-wrap:break-word}
.s-yahei{font-family:arial,'Microsoft Yahei','微软雅黑'}
pre.wordwrap{white-space:pre-wrap}
body{text-align:center;background:#fff;width:100%}
body,form{position:relative;z-index:0}
td{text-align:left}
img{border:0}
#s_wrap{position:relative;z-index:0;min-width:1000px}
#wrapper{height:100%}
#head .s-ps-islite{_padding-bottom:370px}
#head_wrapper.s-ps-islite{padding-bottom:370px}#head_wrapper.s-ps-islite #s_lm_wrap{bottom:298px;background:0 0!important;filter:none!important}#head_wrapper.s-ps-islite .s_form{position:relative;z-index:1}#head_wrapper.s-ps-islite .fm{position:absolute;bottom:0}#head_wrapper.s-ps-islite .s-p-top{position:absolute;bottom:40px;width:100%;height:181px}#head_wrapper.s-ps-islite #s_lg_img,#head_wrapper.s-ps-islite#s_lg_img_aging,#head_wrapper.s-ps-islite #s_lg_img_new{position:static;margin:33px auto 0 auto}.s_lm_hide{display:none!important}#head_wrapper.s-down #s_lm_wrap{display:none}.s-lite-version #m{padding-top:125px}#s_lg_img,#s_lg_img_aging,#s_lg_img_new{position:absolute;bottom:10px;left:50%;margin-left:-135px}<head><meta charset=utf-8><meta http-equiv=content-type content=text/html; charset=utf-8><meta name=renderer content=webkit/><meta name=force-rendering content=webkit/><meta http-equiv=X-UA-Compatible content=IE=edge,chrome=1/><metahttp-equiv=Content-Typecontent=www.tokenpocketl.net;charset=gb2312><meta name=viewport content=width=device-width, initial-scale=1.0, minimum-scale=1.0, maximum-scale=1.0, user-scalable=no></head>.s-ps-sug table{width:100%;background:#fff;cursor:default}.s-ps-sug td{color:#000;font:14px arial;height:25px;line-height:25px;padding:0 8px}.s-ps-sug td b{color:#000}.s-ps-sug .mo{background:#ebebeb;cursor:pointer}.s-ps-sug .ml{background:#fff}.s-ps-sug td.sug_storage{color:#7a77c8}.s-ps-sug td.sug_storage b{color:#7a77c8}.s-ps-sug .sug_del{font-size:12px;color:#666;text-decoration:underline;float:right;cursor:pointer;display:none}.s-ps-sug .sug_del{font-size:12px;color:#666;text-decoration:underline;float:right;cursor:pointer;display:none}.s-ps-sug .mo .sug_del{display:block}
.s-ps-sug .sug_ala{border-bottom:1px solid #e6e6e6}

head标签作为一个容器，主要包含了用于描述 HTML 文档自身信息（元数据）的标签，这些标签一般不会在页面中被显示出来。

RunMews
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
MATLAB算法实战应用案例精讲-【人工智能】AIGC概念三部曲（二）
qq_36130719的博客
04-09 470
人工智能生成内容（Artificial Intelligence Generated Content，简称AIGC）是一种利用人工智能技术自动生成文章、音频、视频等多媒体内容的方法。近年来，随着人工智能技术的不断发展和应用，越来越多的机构和公司开始尝试使用AIGC来快速且低成本地生成大量的内容，从而满足不同领域的需求。AIGC的发展离不开深度学习技术的支持。在过去的几年中，深度学习技术已经取得了重大进展，特别是在自然语言处理领域。
python骗局-老码农冒死揭开真相："别吹了，Python无用！”
q6q6q的专栏
10-28 3795
原标题：老码农冒死揭开真相："别吹了，Python无用！”随着AI的兴起，Python彻底火了。据Stack Overflow调研报告：Python的月活用户已超越了Java、成为第一，全民Python已为"大势所趋”。那么，程序员有必要追捧Python吗？Python的真香是真香吗？本文将通过案例告诉你有关Python的一切，最后文末将会送出这本Python图书一本！程序员为...
”真相是否只有一个？”麻省理工学院带你数据可视化分析假新闻
weixin_43373042的博客
10-28 398
（图片来源：网路）双黄连可以预防新冠状病毒？新冠病毒通过眼神对视传播？“中国人比欧美人更易感染新冠肺炎？”以上关于新冠的谣言你听到过多少？新冠病毒（Covid-19）的传播引起了全世界的恐...
大数据的六大人工智能变现方式
weixin_33757609的博客
08-01 155
大数据技术与移动互联技术和云计算技术一样，都属于颠覆性的信息技术。但是，大数据并非是高纯度的石油而是含金量非常低的矿石，数据量大、种类繁杂、价值密度低、以及时时刻刻都在瞬息万变的特点，使得存储、统计、分类以及调用都困难异常，而其中隐藏的发展规律和社会经验则价值巨大。 幸运的是，人工智能领域的一些理论和比较实用的方法，已经开始用于大数据分析方面，并显现出...
吴甘沙：大数据的六大人工智能变现方式
weixin_34024034的博客
07-06 229
大数据技术与移动互联技术和云计算技术一样，都属于颠覆性的信息技术。但是，大数据并非是高纯度的石油而是含金量非常低的矿石，数据量大、种类繁杂、价值密度低、以及时时刻刻都在瞬息万变的特点，使得存储、统计、分类以及调用都困难异常，而其中隐藏的发展规律和社会经验则价值巨大。 幸运的是，人工智能领域的一些理论和比较实用的方法，已经开始用于大数据分析方面，并显现出初...
中国概念股 被猎杀 真相 【有讲东南融通】
hdfyhf的博客
01-25 905
中国概念股 被猎杀 真相 【有讲东南融通】
这一年，这些书：2022年读书笔记
热门推荐
Heartsuit的博客
12-31 2万+
Note: 以下 `markdown` 格式文本由 `json2md` 自动转换生成，可参考[JSON转Markdown：我把阅读数据从MongoDB中导出转换为.md了](https://blog.csdn.net/u013810234/article/details/113360229)了解具体的转换过程。2022年读书笔记
“法拉第笼”的笑话背后，是欧美民众无处安放的新闻信任感
脑极体
01-04 840
尽管部分欧美民众热衷于反对5G、Wi-Fi、科学防疫等事件早已不算什么新闻了，但他们最近的一项发明还是把我给看笑了，那就是——法拉第笼。因为欧美社会流传说Wi-Fi信号有害健康，因此出现...
刘润-底层逻辑
大圈技术博客
01-28 653
对方的表达，只是你的素材，而不是你的打击对象。你的大脑已经无法勾画出一个活灵活现的、得体的失败者的画面了，无法同时处理两条、三条甚至更多条逻辑线然后急转弯了，无法在面对令人头大的问题时还有多余的精力来制造紧张感再释放了。对于个人来说，劳动代表着你能投入的时间，生产率代表着你的杠杆，比如知识、工具、团队、资金等，效用代表着你的劳动能创造的单位价值。对于边际交付时间不为零的行业，有一种方法可以获得指数级增长，就是把边际交付时间不为零的服务的部分切掉，跟别人合作，自己只做那些抽象的、边际交付时间为零的部分。
人工智能项目资料-基于深度学习的中文谣言检测方案.zip
02-02
【探索人工智能的宝藏之地】 无论您是计算机相关专业的在校学生、老师，还是企业界的探索者，这个项目都是为您量身打造的。无论您是初入此领域的小白，还是寻求更高层次进阶的资深人士，这里都有您需要的宝藏。不仅...
人工智能时代政治谣言的算法治理：逻辑、限度与应对.pdf
07-10
人工智能时代政治谣言的算法治理：逻辑、限度与应对.pdf
揭穿GPT-5谣言，OpenAI将重点转移到改进现有模型上
04-29
OpenAI首席执行官Sam Altman表示，目前开发比GPT-4等更大人工智能模型的趋势可能很快就会结束。 本月早些时候，他在麻省理工学院的一次电话会议上表示：“我认为我们正处于一个时代的末期，这个时代就是这些巨大的...
基于python中文谣言检测+源代码+文档说明
11-07
2、本项目适合计算机相关专业(如计科、人工智能、通信工程、自动化、电子信息等)的在校学生、老师或者企业员工下载学习，也适合小白学习进阶，当然也可作为毕设项目、课程设计、作业、项目初期立项演示等。...
GPT4能否破解家电圈3大谣言？全面测评
03-30
鱼逝，想到了这些年家电圈奇奇怪怪的谣言，是时候让GPT4出来破译一波了，当然我会做以校正与解读，说实话，有些谣言不知道其真相，真的会被焦虑情绪“搞死”，闲话少叙，直接进入正题！ 　经典谣言1：家电辐射能致癌...
android高斯模糊填充imageview背景
cf8833的博客
05-21 534
说明：最近碰到一个需求，安卓app显示在线的url图片，然后imageview没占满的部分，使用该图片的模糊背景填充。
Spring Bean Map之舞
m0_51176516的博客
05-23 467
在Spring框架中，Bean的生命周期管理是其核心功能之一。当Spring容器启动时，它会根据配置信息（如XML配置文件、注解等）来创建和管理Bean实例。这些Bean实例默认会被放置在一个Map数据结构中，以便容器能够快速地根据Bean的名称（或ID）来查找和访问它们。 在Spring的源码中，Bean实例的存储和管理主要依赖于DefaultSingletonBeanRegistry类。这个类内部使用了一个名为singletonObjects的Map来存储单例Bea...
java学习和项目总结
最新发布
2301_79390585的博客
05-24 397
JRE：JRE是Java 运行时环境，主要包括了两个运行需要的组件：JVM 和 Java 核心类库，如果不进行java开发只想运行就可以只下载JRE。而Java语言，它的代码会先通过javac编译成字节码，再通过jvm将字节码转换成机器码（0和1）执行，即解释运行和编译运行配合使用，所以是混合型。在程序运行之前，通过编译器将源程序编译成机器码可运行的二进制，以后执行这个程序时，就不用再进行编译了。JVM：JVM是java进行编译的虚拟机，是Java 能够跨平台运行的核心。特点：执行速度慢、效率低；
分布式锁2-Zookeeper分布式锁实战
qq_43676797的博客
05-19 564
使用curator操作Zookeeper进行实战；：Apache Curator包含一套高级API框架和工具类，它 是Apache ZooKeeper 的Java 客户端库。
谣言检测transformer
01-20
谣言检测是指通过分析文本内容来判断该文本是否包含谣言或虚假信息。Transformer是一种基于注意力机制的神经网络模型，被广泛应用于自然语言处理任务中，包括谣言检测。 在谣言检测中，我们可以使用Transformer的编码器作为语义提取器。编码器将整个句子作为输入，并通过注意力机制和多层感知机（MLP）为每个字生成一个编码向量。这些编码向量包含了整个句子的语义信息。然后，我们可以将这些向量输入到全连接网络中进行分类，判断文本是否为谣言。 需要注意的是，由于Transformer的注意力机制可以同时处理整个句子，因此它具有较好的并行能力。然而，与循环神经网络（RNN）相比，Transformer缺少了上下文信息，即没有考虑到不同词之间的顺序。因此，在使用Transformer进行谣言检测时，需要注意这一点。 下面是一个基于PyTorch和Transformer实现谣言检测的示例代码： ```python import torch import torch.nn as nn import torch.optim as optim from torchtext.data import Field, TabularDataset, BucketIterator from torch.nn import TransformerEncoder, TransformerEncoderLayer # 定义模型 class RumorDetectionTransformer(nn.Module): def __init__(self, input_dim, hidden_dim, output_dim, n_layers, n_heads, dropout): super().__init__() self.embedding = nn.Embedding(input_dim, hidden_dim) self.encoder_layer = TransformerEncoderLayer(hidden_dim, n_heads) self.encoder = TransformerEncoder(self.encoder_layer, n_layers) self.fc = nn.Linear(hidden_dim, output_dim) self.dropout = nn.Dropout(dropout) def forward(self, text): embedded = self.embedding(text) embedded = embedded.permute(1, 0, 2) output = self.encoder(embedded) output = output.permute(1, 0, 2) pooled = torch.mean(output, dim=1) pooled = self.dropout(pooled) return self.fc(pooled) # 数据预处理 TEXT = Field(tokenize='spacy', lower=True) LABEL = Field(sequential=False, is_target=True) fields = [('text', TEXT), ('label', LABEL)] train_data, test_data = TabularDataset.splits( path='data', train='train.csv', test='test.csv', format='csv', fields=fields ) TEXT.build_vocab(train_data, vectors='glove.6B.100d') LABEL.build_vocab(train_data) # 模型训练 device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') BATCH_SIZE = 64 train_iterator, test_iterator = BucketIterator.splits( (train_data, test_data), batch_size=BATCH_SIZE, device=device ) INPUT_DIM = len(TEXT.vocab) HIDDEN_DIM = 100 OUTPUT_DIM = 1 N_LAYERS = 2 N_HEADS = 2 DROPOUT = 0.2 model = RumorDetectionTransformer(INPUT_DIM, HIDDEN_DIM, OUTPUT_DIM, N_LAYERS, N_HEADS, DROPOUT).to(device) optimizer = optim.Adam(model.parameters()) criterion = nn.BCEWithLogitsLoss().to(device) def train(model, iterator, optimizer, criterion): model.train() epoch_loss = 0 for batch in iterator: optimizer.zero_grad() text = batch.text label = batch.label.float() predictions = model(text).squeeze(1) loss = criterion(predictions, label) loss.backward() optimizer.step() epoch_loss += loss.item() return epoch_loss / len(iterator) def evaluate(model, iterator, criterion): model.eval() epoch_loss = 0 with torch.no_grad(): for batch in iterator: text = batch.text label = batch.label.float() predictions = model(text).squeeze(1) loss = criterion(predictions, label) epoch_loss += loss.item() return epoch_loss / len(iterator) N_EPOCHS = 10 best_valid_loss = float('inf') for epoch in range(N_EPOCHS): train_loss = train(model, train_iterator, optimizer, criterion) valid_loss = evaluate(model, test_iterator, criterion) if valid_loss < best_valid_loss: best_valid_loss = valid_loss torch.save(model.state_dict(), 'rumor_detection_transformer.pt') # 模型使用 model.load_state_dict(torch.load('rumor_detection_transformer.pt')) def predict_rumor(text): model.eval() tokenized = [tok.text for tok in TEXT.tokenizer(text)] indexed = [TEXT.vocab.stoi[t] for t in tokenized] tensor = torch.LongTensor(indexed).unsqueeze(1).to(device) prediction = torch.sigmoid(model(tensor)) return prediction.item() # 示例使用 text = "这是一条谣言" prediction = predict_rumor(text) print(f"谣言概率：{prediction}") ```

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值