典型文献
基于双分支网络联合训练的虚假新闻检测
文献摘要：
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.
文献关键词：
虚假新闻早期检测;联合训练;双分支网络;语义关联性度量
中图分类号：
作者姓名：
郭铃霓;黄舰;吴兴财;杨振国;刘文印
作者机构：
广东工业大学 计算机学院,广州 510006;鹏城实验室网络空间安全研究中心,广东 深圳 518000
文献出处：
引用格式：
[1]郭铃霓;黄舰;吴兴财;杨振国;刘文印-.基于双分支网络联合训练的虚假新闻检测)[J].计算机工程与应用,2022(15):153-161
A类：
虚假新闻早期检测,语义关联性度量
B类：
双分支网络,联合训练,虚假新闻检测,社交媒体,广泛传播,交上,上下文信息,信息不充分,检测模型,最大池化,max,pooling,branch,MPB,generalized,mean,GPB,文本特征提取,语义特征,新闻标题,正文,决策融合,召回率,评测指标,基线模型,百分点
AB值：
0.222961
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
