基于双分支网络联合训练的虚假新闻检测

摘要：

虚假新闻在社交媒体上的广泛传播,给社会带来了不同程度的负面影响.针对虚假新闻早期检测任务中,社交上下文信息不充分的问题,提出一种基于双分支网络联合训练的虚假新闻检测模型.该模型由最大池化网络分支(max pooling branch,MPB)和广义均值池化网络分支(generalized mean pooling branch,GPB)组成.MPB采用卷积神经网络对新闻文章进行文本特征提取,GPB引入了可训练的池化层,学习新闻文章潜在的语义特征.同时,在每个分支网络中,对新闻标题和正文之间进行语义关联性度量.最终,对两个分支网络联合训练后的结果进行决策融合,判断新闻的真实性.实验结果表明,提出的模型在准确率、召回率、F1值评测指标上均优于基线模型,F1值达到94.1％,比最优的基线模型提升了6.4个百分点.

关键词：虚假新闻早期检测、联合训练、双分支网络、语义关联性度量

所属期刊栏目：58

分类号：TP389.1(计算技术、计算机技术)

资助基金：国家自然科学基金;广东省基础与应用基础研究基金;广东省重点领域研发计划项目;广东省重点科技计划项目

在线出版日期：2022-08-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：153-161