基于XLNet和循环神经网络模型的虚假信息检测研究

虚假信息借助迅速发展的社交媒体在网络上广泛传播,因此高效并准确地完成虚假信息检测任务已成为近年来自然语言处理领域的研究热点之一。现有的虚假信息检测方法存在数据训练不够准确和模型未突出关键特征影响力的问题。针对该问题,论文提出一种基于XLNet和循环神经网络模型的虚假信息检测方法。该方法基于XLNet模型对文本进行编码及特征提取,结合双向GRU模型进一步捕获文本深层语义特征,同时引入注意力机制根据词语的重要程度为文本中不同特征分别赋予不同的权重值,最后将文本的完整语义特征输出分类,实现虚假信息检测。实验结果表明,该方法在微博公开数据集和COVID-19 Fake News数据集上分别达到了94.6%和96.3%的准确率,可以有效辨别虚假信息,对于虚假信息检测任务具有一定指导意义。