谣言检测
文章平均质量分 92
主要介绍谣言检测领域顶会论文
weixin_41964296
这个作者很懒,什么都没留下…
展开
-
谣言检测论文分享(九)LIAR数据集
POLITIFACT.COM上收集了长达十年的12.8K的各种语境下的人工标记简短语句,该网站为每个案例提供了详细的分析报告和源文档链接包括12,836个简短陈述,根据真实性、主题、上下文/地点、演讲者、州、政党和之前的历史进行标记。具有如此大的容量和十年的时间跨度,说谎者比目前可用的资源要大一个数量级(Vlachos和Riedel, 2014;Ferreira和Vlachos, 2016)的相似类型。原创 2023-06-14 10:27:03 · 911 阅读 · 5 评论 -
谣言检测论文分享(八)A Survey on Fake News and Rumour Detection Techniques
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。原创 2023-06-05 22:55:34 · 1071 阅读 · 0 评论 -
谣言检测论文分享(七)A Survey on Natural Language Processing for Fake News Detection
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。原创 2023-06-01 09:51:09 · 504 阅读 · 0 评论 -
谣言检测论文分享(六)(基于监督学习的特征方法信息可信度)Information Credibility on Twitter
本文专注于评估给定tweet集可信度的自动方法,主要目标是确定是否可以自动评估Twitter上发布的内容的可信度水平。我们的主要假设是,在社交媒体环境本身存在可用的信号,使用户能够评估信息的可信性。在这种情况下,们将社交媒体可信度定义为信息可信度的方面,可以仅使用社交媒体平台中可用的信息进行评估本文方法是基于监督学习的,原创 2023-05-22 11:39:04 · 240 阅读 · 0 评论 -
谣言检测论文分享(五) Fake News Detection via Knowledge-driven Multimodal Graph Convolutional Networks(KMGCN)
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。原创 2023-05-21 16:46:21 · 807 阅读 · 5 评论 -
自动谣言检测综述分享——Automatic Rumor Detection on Microblogs: A Survey
谣言的传统定义来源于社会心理学[27]。也就是说,谣言是一种未经证实的说法,广泛传播,其真实价值未经证实或故意虚假。在这个定义下,一般的谣言被认为是一条信息,其真实性未经验证。未经证实的谣言是指未经权威或可信来源官方证实的信息,例如权威新闻机构或现场目击者。一般的谣言包括客观谣言和主观谣言。在不同的场景中,最好采用不同的定义。在社交媒体上,一般谣言经常被用来监控公众对争议事件的看法[28]。一般的谣言可能是名人的八卦,也可能是一种诽谤政治对手的竞选策略[4],它吸引人们传播故事,而不是查明其真实性。原创 2023-05-21 16:43:55 · 2326 阅读 · 2 评论 -
谣言检测论文(二)
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原创 2023-03-21 09:16:50 · 1048 阅读 · 0 评论 -
谣言检测论文分享(三)
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;原创 2023-03-26 21:31:44 · 1077 阅读 · 1 评论 -
谣言检测论文分享(一)
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。原创 2023-03-26 21:42:32 · 1589 阅读 · 1 评论 -
谣言检测论文分享(四)
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。原创 2023-04-14 09:48:54 · 812 阅读 · 0 评论