近年来,网络上的虚假信息越来越猖獗。研究界提出方法检测假信息(各种子任务)有用。然而,大多数提出的系统是基于深度学习技术,这些技术是针对特定领域进行微调的,很难解释和产生人类可理解的结果。这限制了它们的适用性和采纳,因为它们只能由经过挑选的专家观众在非常特定的设置中使用。在本文中,我们提出了一个基于可信度审查(CRs)的核心概念的架构,可用于构建协作进行虚假信息检测的分布式机器人网络。CRs作为构建模块来组成 (i) Web内容的图表,(ii) 现有的可信度信号——经过事实核查的声明和网站的声誉评论——和(iii) 自动计算的评论。我们在http URL的轻量级扩展之上实现这个架构,并提供用于语义相似度和立场检测的通用NLP任务。对现有社交媒体帖子、假新闻和政治演讲数据集的评估显示,与现有系统相比,这些数据集有几个优势: 可扩展性、领域独立性、可组合性、可解释性和来源透明性。此外,我们不需要微调就能获得比赛结果,并在Clef'18上建立了一种新的艺术状态。

https://www.zhuanzhi.ai/paper/041cde1a69557e5a8b320366c3179253

成为VIP会员查看完整内容
19

相关内容

专知会员服务
25+阅读 · 2020年12月17日
【WSDM2021】基于演化状态图的时间序列事件预测
专知会员服务
50+阅读 · 2020年12月1日
【Twitter】时序图神经网络
专知会员服务
88+阅读 · 2020年10月15日
基于旅游知识图谱的可解释景点推荐
专知会员服务
88+阅读 · 2020年9月4日
基于改进卷积神经网络的短文本分类模型
专知会员服务
24+阅读 · 2020年7月22日
【综述】基于图的对抗式攻击和防御,附22页论文下载
专知会员服务
68+阅读 · 2020年3月5日
【基于元学习的推荐系统】5篇相关论文
专知
9+阅读 · 2020年1月20日
AAAI 2019最佳论文公布,CMU、斯坦福、MIT上榜
新智元
12+阅读 · 2019年1月28日
关系推理:基于表示学习和语义要素
计算机研究与发展
18+阅读 · 2017年8月22日
Arxiv
1+阅读 · 2020年12月11日
Arxiv
0+阅读 · 2020年12月10日
VIP会员
相关VIP内容
专知会员服务
25+阅读 · 2020年12月17日
【WSDM2021】基于演化状态图的时间序列事件预测
专知会员服务
50+阅读 · 2020年12月1日
【Twitter】时序图神经网络
专知会员服务
88+阅读 · 2020年10月15日
基于旅游知识图谱的可解释景点推荐
专知会员服务
88+阅读 · 2020年9月4日
基于改进卷积神经网络的短文本分类模型
专知会员服务
24+阅读 · 2020年7月22日
【综述】基于图的对抗式攻击和防御,附22页论文下载
专知会员服务
68+阅读 · 2020年3月5日
微信扫码咨询专知VIP会员