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