典型文献
面向网络社交媒体的少样本新冠谣言检测
文献摘要：
在社交媒体上发布和传播有关新冠的谣言对民生、经济、社会等都产生了严重影响,因此通过机器学习和人工智能技术开展新冠谣言检测具有重要的研究价值和社会意义.现有谣言检测研究,一般假定进行建模和预测的事件已有充足的有标签数据,但对于新冠这类突发事件,由于可训练样本较少,所以此类模型存在局限性.该文聚焦少样本谣言检测问题,旨在使用极少的有标签样例训练可检测突发事件的谣言检测模型.该文以新浪微博的新冠谣言为研究对象,构建适用于少样本谣言检测的新浪微博新冠谣言数据集,提出基于元学习的深度神经网络少样本谣言检测模型.在少样本机器学习场景下,该模型在新冠谣言数据集、PHEME公共数据集上的实验结果均有显著的性能提升.
文献关键词：
谣言检测;少样本学习;在线社交媒体
中图分类号：
作者姓名：
陆恒杨;范晨悠;吴小俊
作者机构：
江南大学江苏省模式识别与计算智能工程实验室,江苏无锡214122;南京大学计算机软件新技术国家重点实验室,江苏南京210023;深圳市人工智能与机器人研究院,广东深圳518129
文献出处：
引用格式：
[1]陆恒杨;范晨悠;吴小俊-.面向网络社交媒体的少样本新冠谣言检测)[J].中文信息学报,2022(01):135-144,172
A类：
PHEME
B类：
网络社交媒体,谣言检测,社会意义,假定,标签数据,训练样本,检测问题,极少,样例,检测模型,新浪微博,元学习,深度神经网络,本机,学习场景,公共数据,性能提升,少样本学习,在线社交媒体
AB值：
0.23833
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。
