dEFEND Explainable Fake News Detection 可【解释的假新闻检测】

最近在学习文本对抗虚假新闻分析的内容，学习这篇识别虚假新闻的经典论文，下文是我对这篇论文的简单概括和理解，大致写了这个团队对虚假新闻如何辨别的分析，略显粗糙，有补充和错误请各位指正！

---

摘要

改论文提出了一个虚假新闻检测模型，本质上实现了一个分类任务，输入为新闻内容和用户评论，输出为分类标签（是否为虚假新闻）。

介绍

1. 为什么要使用新闻+用户评论的方式？因为单单从新闻内容的角度来分析是否是虚假新闻很有困难，同时，新闻和部分用户评论是高度相关的，因此将新闻内容加上评论。
2. Explainable？现在已有的深度方法基本上是通过学习新闻层面的特征，但是并没有一个更加深层的解释，为什么这个特征使他成为虚假新闻

相关工作

将新闻内容每个句子进行编码，将每个句子中的的单词进行编码。

网络结构

网络结构

• word&sentence编码器
• 用户评论编码器
• 新闻–评论共同注意力组件
• 虚假新闻预测组件

新闻内容编码

单词编码

通常RNN为常见的神经网络单词编码，但是新闻内容常常非常的长，所以长期记忆会随着序列的增加而变长，因此，我们增加了GRU单元，确保更加持久的记忆力。为了更能够找到单词和单词之间的关联，我们使用双向GRU，即前向传播GRU和反向传播GRU，w为单词向量，从左到右和从右到左

由于不是所有的单词能够表达句子的意思，因此使用一种注意力方法来学习单词，对其进行一个加权。

句子编码

同样使用RNN+GRU单元的方式，使用双向GRU对每个句子进行编码，算法公式同上单词编码

用户评论编码

由于用户评论通常是简短的，所以直接使用RNN取对单词序列进行编码就行了。同时使用双向GRU对评论中的单词序列进行建模。同样使用注意力来衡量每个单词的重要性。

Sentence-Comment Co-attention

由于评论有很多，不是每个评论对判断虚假新闻都是有帮助的，所以需要选择用户评论对应的新闻语句。

我们使用 Sentence-Comment Co-attention来捕捉新闻内容和评论的语义亲和力，同时学习句子和评论的注意力权重。

方法和公式如下：

dEFEND

将句子和评论结合，使用softmax激活函数，使用交叉熵损失函数，使用RMSprops优化器。

实验（略）