中國(guó)知網(wǎng)論文查重入口,CNKI知網(wǎng)論文檢測(cè)系統(tǒng)-CNKI知網(wǎng)查重檢測(cè)系統(tǒng)入口
發(fā)布時(shí)間：2022-09-20 01:00:26 作者：知網(wǎng)小編 來(lái)源：www.derer.cn
通過(guò)學(xué)習(xí)不同新聞之間的共同特征，可以對(duì)新的和突發(fā)事件的虛假新聞進(jìn)行檢測(cè)。 EANN模型使用事件鑒別器來(lái)度量不同事件之間的差異，并進(jìn)一步學(xué)習(xí)事件不變特征，這些特征可以很好地概括新出現(xiàn)的事件。 EANN模型是偽造新聞檢測(cè)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(shè)計(jì)用于特征提取的不同模型。 基于單一模式的虛假新聞檢測(cè)。
對(duì)于假新聞檢測(cè)器，完全連接層的隱藏大小為64。 事件鑒別器由兩個(gè)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(duì)于所有基線和建議的模型，我們?cè)谟?xùn)練階段使用100個(gè)實(shí)例的相同批處理大小，并且訓(xùn)練時(shí)期為100。 在Twitter數(shù)據(jù)集上 ， 不同事件上的推文數(shù)量不平衡 ，并且超過(guò)70％的推文與單個(gè)事件相關(guān)。 文本模態(tài)包含更明顯的事件特定功能，從而嚴(yán)重阻止了Text模型在不同事件之間提取可轉(zhuǎn)移特征。 至于另一個(gè)單一形式的基準(zhǔn)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(jué)模式對(duì)于偽造新聞檢測(cè)是有效的，但Vis的性能仍比多模式方法差。
發(fā)現(xiàn)真新聞文章明顯長(zhǎng)于假新聞文章，假新聞很少使用技術(shù)詞匯，更少的標(biāo)點(diǎn)符號(hào)，更少的引號(hào)和更多的詞匯是冗余的。 另外標(biāo)題也有明顯的不同，假新聞的標(biāo)題會(huì)更長(zhǎng)，更喜歡增加名詞和動(dòng)詞。 真的新聞通過(guò)討論來(lái)說(shuō)服，假新聞通過(guò)啟發(fā)來(lái)說(shuō)服。 類似的內(nèi)容分析還有： Automatic Detection of Fake News 。 [z.zhao et, 2018] 發(fā)現(xiàn)大多數(shù)人轉(zhuǎn)發(fā)（紅點(diǎn)）真實(shí)新聞是從一個(gè)集中的來(lái)源（綠點(diǎn)）。 而虛假新聞通過(guò)人們轉(zhuǎn)發(fā)其他轉(zhuǎn)發(fā)者來(lái)傳播的。 在工業(yè)界比如互聯(lián)網(wǎng)公司解決該類問(wèn)題主要還是通過(guò)構(gòu)建 pipeline，融合多個(gè)模型：內(nèi)容向模型集，用戶向模型集，結(jié)合號(hào)主發(fā)布者特征，內(nèi)容產(chǎn)生的用戶行為特征等綜合構(gòu)建一套體系進(jìn)行解決。
