基于双分支网络联合训练的虚假新闻检测

作者：郭铃霓; 黄舰; 吴兴财; 杨振国; 刘文印^*

来源：计算机工程与应用, 2022, 58(15): 153-161.

DOI：10.3778/j.issn.1002-8331.2101-0001

• 虚假新闻早期检测
• 联合训练
• 双分支网络
• 语义关联性度量

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。

• 单位
  鹏城实验室; 广东工业大学