谣言检测论文分享（五） Fake News Detection via Knowledge-driven Multimodal Graph Convolutional Networks（KMGCN）

最新推荐文章于 2024-03-04 16:07:57 发布
最新推荐文章于 2024-03-04 16:07:57 发布
阅读量879 收藏 4
点赞数 2
分类专栏： 假新闻检测 文章标签： 自然语言处理
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_41964296/article/details/130793566
版权
本文提出了一种知识驱动的多模态图卷积网络(KMGCN)方法，通过联合建模文本信息、知识概念和视觉信息来检测假新闻。KMGCN利用图结构捕获长程语义特征，通过知识蒸馏获取背景知识，增强了假新闻检测的性能。在Twitter和Weibo数据集上的实验显示，KMGCN优于现有先进方法。
摘要由CSDN通过智能技术生成

Youze Wang1 , Shengsheng Qian2,3 , Jun Hu1 , Quan Fang2,3 , Changsheng Xu1,2,3,4

In Proceedings of the 2020 International Conference on

Multimedia Retrieval (ICMR ’20), June 8–11, 2020, Dublin, Ireland. ACM, New

York, NY, USA, 8 pages. Fake News Detection via Knowledge-driven Multimodal Graph Convolutional Networks | Proceedings of the 2020 International Conference on Multimedia Retrieval

KMGCN

摘要重点：现有的方法大多是从单模态的帖子文本中提取特征，或者简单地将帖子的视觉特征和文本特征串联起来得到多模态特征并检测假新闻。它们大多忽略了帖子文本内容中隐藏的背景知识，有利于假新闻检测。为了解决这些问题，本文提出了一种新的知识驱动的多模态图

了解本专栏 订阅专栏 解锁全文 超级会员免费看
weixin_41964296
关注
  • 2
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 5
    评论
专栏目录
订阅专栏
假新闻检测论文分享（十）EANN: Event Adversarial Neural Networks for Multi-Modal Fake News Detection
weixin_41964296的博客
06-29 1382
现有的深度学习模型在不同事件的验证文章数量充足的情况下，凭借其优越的特征提取能力，取得了比传统模型更好的性能提升。然而，它们仍然无法应对假新闻检测的独特挑战，即在新出现的、时间关键事件上检测假新闻[27]。由于缺乏相应的先验知识，此类事件的验证帖子难以及时获取，导致现有模型的性能不理想。实际上，现有的模型往往会捕获大量特定于事件的特征，而这些特征在不同事件之间并不共享。此类特定于事件的特征虽然能够帮助对已验证事件的帖子进行分类，但会影响对新出现事件的检测。
假新闻检测论文分享（16）（KMGCN）Fake News Detection via Knowledge-driven Multimodal Graph Convolutional Networks
weixin_41964296的博客
10-19 273
社交媒体网站助长了各种假新闻，其中通常包含虚假甚至伪造的多媒体内容，以误导读者，迅速传播，因此，有必要和迫切地需要使用自动检测器，以防止假新闻造成严重的负面影响，使用户获得真实的信息。假新闻检测任务可以定义为一个二元分类问题，旨在将社交媒体上的声明分类为假新闻或非假新闻。在社交媒体假新闻检测社区中有两种类型的声明：帖子级（post）工作识别社交媒体的一个帖子是否为假新闻，而事件级（event）工作对构成事件的一组帖子进行假新闻检测。模型的目标是在post级别上识别一个帖子是否是假的。
【论文解读 ICMR 2020 | KMGCN】Fake News Detection via Knowledge-driven Multimodal GCN
byn12345的博客
07-23 4829
论文题目：Fake News Detection via Knowledge-driven Multimodal Graph Convolutional Networks 论文来源：ICMR 2020 论文链接：https://doi.org/10.1145/3372278.3390713 关键词：假新闻检测；多模态；知识；图卷积 文章目录1 摘要2 引言3 方法3.1 问题定义3.2 整体框架3.3 知识蒸馏3.4 多模态内容的图构建3.5 知识驱动的多模态图卷积网络（KMGCN）4 实验4.1 实验.
【论文阅读】Multimodal Fusion with Co-Attention Networks for Fake News Detection --- 虚假新闻检测，多模态融合
热门推荐
me_yundou的博客
11-21 1万+
本博客系本人理解该论文之后所写，非逐句翻译，预知该论文详情，请参阅论文原文。 论文标题：Multimodal Fusion with Co-Attention Networks for Fake News Detection； 作者：Yang Wu, Pengwei Zhan, Yunjian Zhang, Liming Wang, Zhen Xu； 中国科学院大学； 出处：ACL 2021； 摘要： 靠人工识别谣言是费时费力的，所以急需自动识别谣言的模型。但是现有谣言检测模型在融合多模态特征方面
多模态虚假新闻检测论文分享（1）MVAE: Multimodal Variational Autoencoder for Fake News Detection
最新发布
weixin_44791273的博客
03-04 1962
仅使用帖子内容（即文本和附加图像）对社交媒体帖子进行假新闻检测
虚假新闻检测概述
m0_51474171的博客
09-05 7552
社交网络的新闻往往包括，，以及。其中新闻内容指的是文章中所包含的文本信息以及图片视频等多模态信息。社交上下文信息指的是新闻的发布者，新闻的传播网络，以及其他用户对新闻的评论和转发。外部知识指客观事实知识，通常由知识图谱表示外部知识。的定义是给定新闻文章的新闻内容，社交上下文内容，以及外部知识，去判断新闻文章的真假。
Fake-News-Detection-System
04-13
假新闻检测系统 忠北国立大学软件部团队的芝加哥毕业项目。 通过使用tessoract-OCR进行字符识别和分析，建立人才推荐系统。 团队建设 名称 学生卡 :grinning_face_with_big_eyes: 2016039049 :grinning_face_with_...
fake_news_detection:使用Kaggle数据集检测假新闻的简单模型
04-23
在这个项目“fake_news_detection”中，我们探讨了如何利用机器学习技术来识别并检测假新闻。这个项目基于Kaggle数据集，这是一个广泛用于自然语言处理（NLP）任务的数据集，尤其是对于文本分类和情感分析。以下是...
fake-news-pair-classification-challenge.zip
03-26
标题 "fake-news-pair-classification-challenge.zip" 暗示了一个关于真假新闻识别的数据集挑战，这通常涉及自然语言处理（NLP）和机器学习技术。在这个挑战中，目标是构建一个模型来区分两篇新闻文章中哪一篇是真实...
假新闻检测「Fake news detection」-crx插件
03-23
这个扩展试图通过分类器来检测假货消息 Cette扩展名为détecterdes les的仿冒新闻àpartir d'une page web。 布鲁塞尔自由大学的科学信息学士学位 支持语言:English
fake-news-detection-app-tku:TKU兰阳高级项目
05-04
假新闻检测应用 一个简单的Web应用程序，它接收新闻正文文本，并输出通过机器学习训练生成的可靠分数。 入门 那么如何使用这个程序： 先决条件 Python 3可以从这里获得： https://www.python.org/downloads/ 安装...
谣言检测论文分享（一）
weixin_41964296的博客
03-26 1690
传统方法：主要采用用户特征、文本内容和传播模式等手工特征来训练有监督的分类器。如，决策树，随机森林，SVM等。然而，这些方法主要依赖于特征工程，非常耗时耗力。此外，这些手工设计的特征通常缺乏从谣言传播和散布过程中提取的更高层的表示。近期研究：利用了深度学习方法，从传播路径/树或网络中挖掘高级表示来识别谣言。许多深度学习模型，如长短期记忆（LSTM）、门控递归单元（GRU）和递归神经网络（RvNN）被使用，因为它们能够从谣言的时间传播中学习顺序特征。
谣言检测论文分享（三）
weixin_41964296的博客
03-26 1131
分析表明，如果谣言是假的，人们往往会停止传播(Zubiaga et al.， 2016b)。然而，识别这些虚假信息并非易事，需要新闻调查对可疑声明进行事实核查，这是一项劳动密集型和耗时的工作。社交媒体的泛滥使信息负荷和动态性不断增加，使情况变得更糟。因此，需要开发自动化和辅助的方法以方便实时的谣言追踪和揭穿。为了自动化谣言检测，之前的研究大多集中在基于特征工程的监督模型从序列微博流中进行文本挖掘(Castillo et al.， 2011;Kwon等人，2013;刘等，2015;
【学习记录】基于知识图谱的虚假新闻检测
GreenYuYou的博客
04-29 4055
“基于知识图谱的虚假新闻检测”，要解决的关键词大致包含了“知识图谱”、“虚假新闻检测”，以及如何将它们联系起来，并且找到创新点。 一些灵感 图神经网络和知识图谱结合“知识图谱+”系列：知识图谱+图神经网络 - 知乎 实时检测和知识图谱结合 “一对多”transE的变种年末巨制：知识图谱嵌入方法研究总结 - 知乎 小样本知识增强小样本学习综述: 三大数据增强方法 - 知乎 给传播过假新闻的社交媒体用户加入权重概念，即若传播者曾传播过假新闻，则其权重降低或该新闻虚假程度增高。 小事件的假新闻...
谣言检测相关论文阅读笔记：DDGCN: Dual Dynamic Graph Convolutional Networks for Rumor Detection on Social Media
yxx35AN的博客
02-02 1605
谣言检测相关论文阅读笔记：DDGCN: Dual Dynamic Graph Convolutional Networks for Rumor Detection on Social Media
谣言检测论文阅读 - Rumor Detection on Social Media with Bi-Directional Graph Convolutional Networks
qq_40671063的博客
01-04 2042
谣言检测论文阅读 - Rumor Detection on Social Media with Bi-Directional Graph Convolutional Networks
谣言检测论文（二）
weixin_41964296的博客
03-21 1084
动态信息传播结构动态图卷积网络融合时序模块进行谣言检测
谣言检测论文分享（七）A Survey on Natural Language Processing for Fake News Detection
weixin_41964296的博客
06-01 547
首先揭示了自动假新闻检测的重要性和定义。然后比较和讨论了最新的基准数据集和不同方法的实验结果。在此基础上，该文对未来的假新闻检测数据集提出了新的建议，并对未来的假新闻检测模型提出了以下建议:研究手工特征是否可以与神经网络模型结合、非文本数据的合理使用以及扩展基于内容的验证方式。
谣言检测论文分享（八）A Survey on Fake News and Rumour Detection Techniques
weixin_41964296的博客
06-05 1158
主要介绍开展谣言检测或假新闻检测的背景和研究意义。社交媒体在新闻传播中具有突出作用。一方面新闻记者可能会利用社交媒体报道公众对突发新闻事件的看法，甚至发现潜在的新故事；另一方面，公民可能会通过官方渠道(即新闻机构在社交媒体平台上的官方账号)或通过自己的网络(如朋友、家人、公众人物)的帖子来关注突发新闻和事件的发展。然而对帖子缺乏控制和事实核查使社交媒体成为传播未经证实和/或虚假信息的沃土[111]。人们经常发布或分享他人的帖子，既不验证消息来源，也不验证信息的有效性和可靠性。
评论 5
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

打赏作者

weixin_41964296

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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