摘要
微博、Twitter等网络社交平台的发展彻底改变了人们的交流方式,但是在方便人们获取最新信息的同时,谣言和虚假信息的广泛传播给个人、社会甚至国家所带来的危害也在日益加剧。由于信息的传播速度极快,希望通过人工检测的方法及时发现谣言和虚假信息是不现实的,因此谣言的自动检测成为近年来的研究热点。现有的谣言检测方法主要是通过提取多特征用于分类,但这并不适合谣言的早期检测;此外,对于长文本信息,常用的循环神经网络(RNN)和卷积神经网络(CNN)也不能很好的理解语义。为解决现有的谣言检测研究中存在的问题,文章提出了一种新的谣言检测方法,通过分析文本的内容特征来实现谣言的早期检测任务。本文借鉴预训练的思想,进一步提高谣言检测模型的检测的时效性,并且采用了深层双向的Transformer编码器用于特征提取,有效地解决了长文本的远距离特性依赖问题,使得模型能更加准确地理解语义,提高检测的准确率。此外,为进一步提升模型的检测性能,本文还对原始数据做了数据增强处理。本文在Twitter谣言数据集和FakeNewsNet虚假新闻数据集上进行了实验,结果表明,本文提出的谣言检测模型的准确率和F1-评测值都要优于当前的基准模型。
出处
《信息通信》
2020年第5期17-22,共6页
Information & Communications
