论文浅尝 | 基于细粒度推理的虚假新闻检测

笔记整理：周诗琪，东南大学硕士，研究方向为自然语言处理、规则挖掘

链接：https://arxiv.org/abs/2110.15064

1. 动机

虚假新闻误导公众，威胁社会经济、政治的良性发展，而现有的虚假新闻检测方法存在一些局限。首先，这些方法大多缺乏可解释性，不提供解释或只对模型的一小部分提供解释。这阻碍了人们理解并信任模型给出的结果，以及引导模型进行性能改进。此外，现有的模型不具备细粒度推理能力，而这对于准确检测虚假新闻至关重要。人类有能力进行细粒度分析，并将不同类型的线索联系起来，从而得出更准确的新闻文本真实性结论。为提升虚假新闻检测模型的可解释性和准确率，作者提出了新颖的细粒度推理框架FinerFact用于虚假新闻检测，该框架遵循人类的信息处理模型，采用了一种基于相互强化（Mutual Reinforcement）的方法将人类知识引入模型预测，并设计了一个先验感知的双通道核图网络（Kernel Graph Network）对微妙的线索进行建模。作者证明了该方法的可解释性，并通过大量实验证明方法的优越性。

2. 贡献

本文的主要贡献包括：

1）提出了一种用于虚假新闻检测的细粒度推理框架FinerFact