FaskSV：丰富背景知识+多模态的短视频新闻检测

一、概要

        本篇文章的主要贡献是收集了一个多模态的新闻数据集(FakeSV)并基于该数据集训练了一个新的真假新闻检测的模型(SV-FEND)，并以该模型的效果作为该数据集的基线。

二、FakeSV介绍

        在之前的新闻检测数据集中，存在数据量少、特征模态不够多、新闻涉及面单一等问题。在FakeSV数据集中，首次将用户（发布视频的人）信息也归为一种模态。最后该数据集的情况如下展示：

         首先注意到该数据集来源是抖音和快手，所以处理的语言就是中文。然后数据集所包含的领域是全领域的，并不像之前只关注健康或者疫情新闻。

1.数据获取流程

        首先先从一些官方的网站爬取一些官方核实的新闻文章（2019.1-2022.1）。将没有“视频”一词的文章忽略，然后用启发式的正则表达式来提取文章的关键句子，再使用Bert编码这些句子，用K-mean方法去除重复的新闻事件。最后得到854个新闻事件。

        有了具体事件后再去抖音和快手两个网站上爬取相关的视频，对于爬取到的视频，需要收集：视频、封面、题目、发布时间；元数据（即点赞数、转发数）、前100条评论；发布者信息（自我简介、IP地址、粉丝数、前100个发布视频封面等）共三大类信息。下图展示其爬取的信息：