中国知网论文查重入口,CNKI知网论文检测系统-CNKI知网查重检测系统入口
发布时间：2022-09-20 01:00:26 作者：知网小编 来源：www.it54.cn
通过学习不同新闻之间的共同特征，可以对新的和突发事件的虚假新闻进行检测。 EANN模型使用事件鉴别器来度量不同事件之间的差异，并进一步学习事件不变特征，这些特征可以很好地概括新出现的事件。 EANN模型是伪造新闻检测的通用框架。 集成的多模式特征提取器可以轻松地替换为设计用于特征提取的不同模型。 基于单一模式的虚假新闻检测。
对于假新闻检测器，完全连接层的隐藏大小为64。 事件鉴别器由两个完全连接层组成：第一层的隐藏大小为64 ，第二层的隐藏大小为32。 对于所有基线和建议的模型，我们在训练阶段使用100个实例的相同批处理大小，并且训练时期为100。 在Twitter数据集上 ， 不同事件上的推文数量不平衡 ，并且超过70％的推文与单个事件相关。 文本模态包含更明显的事件特定功能，从而严重阻止了Text模型在不同事件之间提取可转移特征。 至于另一个单一形式的基准Vis，其性能要比Text好得多。 图像的特征更易于传递 ，因此减少了帖子不平衡的影响。 尽管视觉模式对于伪造新闻检测是有效的，但Vis的性能仍比多模式方法差。
发现真新闻文章明显长于假新闻文章，假新闻很少使用技术词汇，更少的标点符号，更少的引号和更多的词汇是冗余的。 另外标题也有明显的不同，假新闻的标题会更长，更喜欢增加名词和动词。 真的新闻通过讨论来说服，假新闻通过启发来说服。 类似的内容分析还有： Automatic Detection of Fake News 。 [z.zhao et, 2018] 发现大多数人转发（红点）真实新闻是从一个集中的来源（绿点）。 而虚假新闻通过人们转发其他转发者来传播的。 在工业界比如互联网公司解决该类问题主要还是通过构建 pipeline，融合多个模型：内容向模型集，用户向模型集，结合号主发布者特征，内容产生的用户行为特征等综合构建一套体系进行解决。
