中國學術論文查重入口,CNKI學術論文檢測系統-CNKI學術查重檢測系統入口
發布時間：2022-09-20 01:00:26 作者：學術小編 來源：m.1888yd.cn
通過學習不同新聞之間的共同特征，可以對新的和突發事件的虛假新聞進行檢測。 EANN模型使用事件鑒別器來度量不同事件之間的差異，并進一步學習事件不變特征，這些特征可以很好地概括新出現的事件。 EANN模型是偽造新聞檢測的通用框架。 集成的多模式特征提取器可以輕松地替換為設計用于特征提取的不同模型。 基于單一模式的虛假新聞檢測。
對于假新聞檢測器，完全連接層的隱藏大小為64。 事件鑒別器由兩個完全連接層組成：第一層的隱藏大小為64 ，第二層的隱藏大小為32。 對于所有基線和建議的模型，我們在訓練階段使用100個實例的相同批處理大小，并且訓練時期為100。 在Twitter數據集上 ， 不同事件上的推文數量不平衡 ，并且超過70％的推文與單個事件相關。 文本模態包含更明顯的事件特定功能，從而嚴重阻止了Text模型在不同事件之間提取可轉移特征。 至于另一個單一形式的基準Vis，其性能要比Text好得多。 圖像的特征更易于傳遞 ，因此減少了帖子不平衡的影響。 盡管視覺模式對于偽造新聞檢測是有效的，但Vis的性能仍比多模式方法差。
發現真新聞文章明顯長于假新聞文章，假新聞很少使用技術詞匯，更少的標點符號，更少的引號和更多的詞匯是冗余的。 另外標題也有明顯的不同，假新聞的標題會更長，更喜歡增加名詞和動詞。 真的新聞通過討論來說服，假新聞通過啟發來說服。 類似的內容分析還有： Automatic Detection of Fake News 。 [z.zhao et, 2018] 發現大多數人轉發（紅點）真實新聞是從一個集中的來源（綠點）。 而虛假新聞通過人們轉發其他轉發者來傳播的。 在工業界比如互聯網公司解決該類問題主要還是通過構建 pipeline，融合多個模型：內容向模型集，用戶向模型集，結合號主發布者特征，內容產生的用戶行為特征等綜合構建一套體系進行解決。
