基于多视图表征的虚假新闻检测

社交网络已经成为人们日常生活中获取和分享信息的主要渠道,同时也为虚假新闻的传播提供了捷径。如今,针对网络虚假新闻的检测问题受到学术界的广泛关注,但目前的检测方法缺乏基于新闻多个视角的深度探索或忽视了新闻中不同信息传播方向不同的问题,有待改进。文章提出一种基于新闻内容、用户信息和新闻传播3种视角的多视图表征和检测的模型MVRFD(Multi-View Representations for Fake News Detection),为虚假新闻检测任务提供更全面的视角。首先,利用协同注意力机制表征新闻内容中的多模态信息,使用具有不同方向的图神经网络聚合新闻传播过程中的用户信息和观点信息;然后,利用双协同注意力机制实现多个视角间的信息交互;最后,将新闻内容特征和新闻上下文特征进行融合。在公开数据集上的实验结果表明,文章所提出的模型实现了96.7%的准确率和96.8%的F1值,优于主流的文本处理模型以及基于单视角的检测模型。

基于知识图谱与BERT的多模态虚假新闻检测模型

面对多模态虚假新闻的检测挑战,文章提出一种融合知识图谱与基于Transformer的双向编码器表示(Bidirectional Encoder Representations from Transformers,BERT)的多模态虚假新闻检测模型。该模型先利用知识图谱深化对实体间关系的理解,然后借助BERT模型对文本内容进行深入分析,从而实现文本、图像及知识数据高效整合。多数据集实验结果显示,该模型在多模态新闻检测,特别是含图像与视频内容的新闻检测上,展现了显著的优势。这为虚假新闻的准确检测开辟了新途径。

基于语义扩充和HDGCN的虚假新闻联合检测技术

虚假新闻检测的方法有很多种,单一的方法通常只关注新闻内容、社交上下文或外部事实等信息;而联合检测方法则通过整合多种模式信息达到检测目的。Pref-FEND即为一种整合新闻内容与外部事实的联合检测方法,它从新闻内容和外部事实中提取3种词语表示,利用动态图卷积网络获得词节点之间的关系。但其在如何让两种模式更加专注于自己的偏好部分方面仍存在不足。因此,对Pref-FEND模型进行了改进,利用语义挖掘扩充新闻中的风格词,利用实体链接扩充新闻中的实体词,共得到5种词语并将其作为图网络的节点表示,从而更有效地建模图神经网络的节点表征;同时,引入深度异构图卷积网络(HDGCN)进行偏好学习,它的深度策略和多层注意力机制可以让两种模型更加专注于自身需要的偏好感知并减少冗余信息。实验结果表明,在公开数据集Weibo和Twitter上,与当前主流的基于内容的单一模型LDAVAE相比,改进后的框架F1值分别提高了2.8%和1.9%;与基于事实的单一模型GET相比,F1值分别提高了2.1%和1.8%;同时,在LDAVAE+GET联合检测的情况下,比Pref-FEND的F1值分别提高了1.1%和1.3%。实验结果验证了所改进模型的有效性。

基于交叉特征感知融合的多领域虚假新闻检测

各领域虚假新闻的传播对社会造成了严重的影响,不同领域间新闻的领域偏移问题和跨域关联问题也对模型的预测能力造成了极大的挑战.针对上述问题,本文提出了一种基于交叉特征感知融合的多领域虚假新闻检测方法.该方法可以捕捉不同领域间新闻的多种特征差异,并挖掘新闻之间的关联关系,从多个维度控制模型在不同领域的特征融合策略.此外,本文还提出了一种联合训练框架.本方法的模型使用本框架进行训练,在中英文数据集上的预测F1分数分别达到了92.84%和85.49%,相较于最先进的模型,预测效果分别提升了1.16%和1.07%.

基于大语言模型隐含语义增强的细粒度虚假新闻检测方法

随着生成式人工智能技术的发展,许多领域都得到了帮助与发展,但与此同时虚假信息的构建与传播变得更加简单,虚假信息的检测也随之难度增加.先前的工作主要聚焦于语法问题、内容煽动性等方面的特点,利用深度学习模型对虚假新闻内容进行建模.这样的方式不仅缺乏对内容本身的判断,还无法回溯模型的判别原因.针对上述问题提出一种基于大语言模型隐含语义增强的细粒度虚假新闻检测方法.该方法充分挖掘并利用了现有的生成式大语言模型所具有的总结与推理能力,按照主干事件、细粒度次要事件和隐含信息推理的顺序进行层级式推导,逐步判别新闻的真实性.通过分解任务的方式,该方法最大程度发挥了模型的能力,提高了对虚假新闻的捕获能力,同时该方法也具有一定的可解释性,能够为检测提供判别依据.

多模态特征自适应融合的虚假新闻检测

为解决社交媒体新闻中多模态新闻检测难以充分利用图文信息问题以及探索高效的多模态信息交互方法,提出了一种多模态特征自适应融合的虚假新闻检测模型。分别对新闻文本语义特征、文本情感特征和图文语义差异特征进行提取和表示;通过添加自适应权重参数的方式对多种特征进行加权拼接融合,以减少模型拼接时引入的冗余信息;将融合特征送入分类器中进行新闻的真假分类。实验结果表明,所提出的模型在F1值等评价指标上都优于当前先进的模型。有效提升了虚假新闻检测性能,为社交媒体中虚假新闻的检测提供了有力支持。

社交媒体虚假新闻的成因及治理对策研究

新闻传播的目的是及时向公众传递真实、可信、客观、全面的信息。随着信息技术的不断发展,一方面,使受众能够依靠社交媒体更加快捷、低成本地获取新闻信息;另一方面,也导致了网络虚假新闻(信息)泛滥,轻则混淆公众视听,左右舆论导向,重则降低媒体公信力,危害社会和谐稳定。本文探讨虚假新闻的定义及危害,分析虚假新闻生产、传播的原因,并从全员教育、传统媒体、社交媒体、技术层面、监管部门、法律规制等方面探讨治理对策。

算法素养在用户参与平台虚假新闻治理中的价值与作用

虚假新闻治理是平台治理中的重难点议题,平台算法对用户参与行为的赋权和政策制度赋权共同构成的内外部用户权利环境,奠定了用户参与平台虚假新闻治理的可能性。通过对算法素养的三个维度即算法感知、算法态度、算法操纵行为的分析可知,我国可以从平台算法系统设计、用户算法素养教育、政府算法治理机制等方面建构协同治理机制,进一步提升算法素养在用户参与平台假新闻治理中的价值和作用。

智媒时代虚假新闻的界定、传播与治理——基于SFIC模型的分析

如何解决智媒时代虚假新闻的肆虐问题已经成为社会各界共同关注的议题。本研究在文献梳理的基础上对虚假新闻的概念内涵进行界定,探究虚假新闻的产生与传播逻辑。文章以协同治理理论为理论基础,基于SFIC模型,构建虚假新闻协同治理框架,并在框架的指导下,从起始条件、制度设计、催化领导、协同过程和协同结果五个方面具体分析虚假新闻的协同治理之道。

基于多文本图像的虚假新闻多模态检测模型研究

针对互联网环境下虚假新闻泛滥的问题,提取虚假新闻中的文本和图像特征,搭建基于多文本图像的虚假新闻多模态融合检测模型。结果表明:所提模型检测准确率较高,为0.839;微博数据集中att-RNN模型真实新闻的召回率和虚假新闻的精确率最高,分别为0.887和0.855;CCF竞赛数据集中MVAE模型虚假新闻的召回率最高,为0.737,所提模型其余指标均最高;所提模型相较于MVAE和att-RNN模型具有明显的改善(p<0.05),相较于MVAE模型聚集性和可判别性更强。综上所述,所提模型能够较准确地检测虚假新闻。

融合背景知识的异构图虚假新闻检测方法研究

如今虚假新闻检测任务越来越受人们重视。本文考虑到不同的新闻具有涉及领域众多、隐含背景信息丰富的特点,提出利用新闻中的实体链接到领域广、信息全的维基百科,挖掘新闻潜在的背景信息与结构化三元组信息组成异构图,丰富新闻的表示。为了学习并更新建模后新闻异构图的特征向量,在图卷积网络的基础上,提出了一个基于语义距离的图卷积网络注意力模型DGAT (Distance Graph Attention Network, DGAT)。具体的,通过赋予异构图中不同类型节点不同的变化矩阵,将不同类型的节点映射到相同的公共空间中,解决了GCN模型不能直接应用在异构图上的局限。针对本文建模的新闻异构图特点,引入了基于新闻语义距离的注意力机制,以捕获融合了外部知识后,新闻与背景知识的语义一致性,最终输入分类器中进行虚假新闻检测。在公开数据集上进行的实验表明了本文方法的有效性。

传播学视角下的虚假新闻与信息沉默的深度剖析

虚假新闻是指发布的不准确、误导性或欺骗性信息,旨在误导受众或制造混淆,通常具有虚构性质。根据其目的和性质,虚假新闻可分为误导性、捏造性和误解性三种类型。社交媒体平台、搜索引擎优化、消息传播应用和匿名社交网站等途径都是虚假新闻的传播渠道。虚假新闻的传播速度与规模惊人,对政治、社会、经济和信任关系都造成了较大影响。基于此,本文主要探讨传播学视角下的虚假新闻与信息沉默,并提出具体的应对策略,以期能够为解决虚假新闻问题提供有益的参考,进而营造更清晰和真实的信息环境。

基于ASEC的多模态虚假新闻检测的研究

当前的新闻检测模型尚存在模态特征融合困难、不够准确等问题,针对这些问题融入用户社交特征,设计了一种ASEC融合模型。首先采用ALBERT和Swin transformer模型分别提取文本和图片特征,加入归一化处理的用户模态特征;然后通过co-attention注意力机制和ECANet注意力机制组成的ASCE将这三种模态进行融合,合理分配这三个特征的权重,经过全连接层实现检测;最后在Media Eval2015数据集上检测出虚假性的准确率为93.92%,精确率为94.07%,比起单一的机制融合多个模态,ASEC模型的准确率提升了3.35%。实验结果表明,使用所提出的检测虚假新闻算法模型,检测的准确率、精确度较高,能避免模态信息的损失,也能够更好地识别虚假新闻。

编辑伦理与专业标准:面对虚假新闻的应对策略

随着互联网和移动互联网的迅猛发展,大量虚假新闻、谣言和不实信息在网络世界里传播,对人们的工作生活和社会秩序造成了极大干扰和损害。新闻从业者有责任和义务为广大受众传递真实、客观、权威的信息,维护新闻事业的公信力。因此,在虚假信息泛滥的背景下,新闻从业者更应当秉持专业操守,严格遵循编辑伦理和新闻传播标准,制止不实信息的传播,捍卫新闻的权威性。

虚假新闻的道德伦理失范现象——以“广西武鸣泡药沃柑事件”为例

真实性是新闻的生命,但自从进入新媒体时代以来,新闻的真实性不断受到挑衅,新闻媒体道德伦理失范现象频发,虚假新闻更是频频出现。虚假新闻的盛行不仅会损害媒体公信力与权威性,也会错误引导社会舆论,故而成为了人们关注的焦点。文章以“广西武鸣泡药沃柑事件”为研究对象,运用案例分析法和文献分析法,归纳虚假新闻出现的原因,梳理虚假新闻的危害,并就相似案例做进一步的分析,最后提出有效解决策略,期望能为虚假新闻的治理提出一些具有可行性的建议,为虚假新闻的治理助力。

信息地缘政治语境下西方虚假新闻的生产机制与全球治理

虚假新闻已经成为信息地缘政治、国际舆论战中的非致命性武器,涉及意识形态之争。在社交媒体时代,西方虚假新闻的生产机制表现在:主体层面,以多种信源搭建虚假新闻的传播矩阵;在技术层面,充分动用社交机器人、深度伪造等手段;在内容层面,锚定难民、宗教和少数民族等议题,激化情绪对立。西方虚假新闻的全球治理,需要调整对事实核查的作用定位、重新界定平台责任、完善多利益攸关方的治理模式、强化多边治理机制。

拟像社会视域下新闻真实性再探讨

拟像社会的形成是“真实”被“超真实”替代的过程,也是媒介技术纵深发展过程中不得不面临的一种新的社会形态,拟像社会中的新闻真实性面临着严峻挑战。本文以让·鲍德里亚的拟像理论、拟像社会为依据,分析拟像社会中新闻真实性存在的新闻真实的异化、虚假新闻泛滥、媒介公信力下降及受众情绪等一系列危机,并从新闻生产、媒体责任、技术应用及新闻治理体系等多角度着手,助力新闻回归本原。

AIGC对新闻真实性的影响成因及路径分析

生成式人工智能(AIGC)引入新闻业对新闻真实性产生了重要影响。本文回顾了AIGC在新闻业发展的历程,然后借助信息耗散模式从信使、审查、分发三条路径分析AIGC影响新闻真实性的路径和机制。研究发现,无法判定信源的权威性,挑战新闻专业性以及传播过程的“茧房”效应是关键原因。最后,本文认为需要通过AIGC技术转型的新闻业可以向提供新闻专业数据源以提高算法透明度、统一人机规范设计标准、提升媒介素养三个方向发展。通过重视人的主体地位,以新闻从业者为核心,AIGC为辅助,实现协同发展。

面向虚假新闻检测的社交媒体多模态数据集构建

社交媒体的出现正在改变着人们的生活,通过社交媒体可以便捷地获取和分享新闻,但同时助力了虚假新闻的滋生和传播,从而严重影响社会安全和稳定。因此,虚假新闻检测引起了研究者广泛关注。尽管存在多种基于深度学习的解决方案,但这些方法需要大量的数据作为支撑。现有的虚假新闻数据集,尤其是中文数据集不仅稀缺,而且数据集中的新闻大多属于同一个类别。为了更好地检测虚假新闻,构建了一个新的多模态的虚假新闻数据集(MFND,multi-modal fake news dataset),其中包含政治、经济、娱乐、体育、国际、科技、军事、教育、健康和社会生活这10个类别的中文和英文新闻数据。对提出的虚假新闻数据集的词频和类别进行分析,并与现有的虚假新闻数据集在新闻数量、新闻类别、模态信息和新闻语种等方面进行了对比,结果显示MFND在类别信息和新闻语种方面表现突出。另外,利用现有的典型虚假新闻检测方法在MFND上进行训练和验证,实验结果表明,相较于现有主流的虚假新闻数据集,MFND可以为模型提供10%左右的性能提升。