ISWC2020最佳论文《可解释假信息检测的链接可信度评价》

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