融合情感特征与对抗训练的虚假新闻检测OA

针对虚假新闻检测中情感信息利用不足、对抗鲁棒性较弱以及多特征融合依赖人工权重设定等问题,提出一种情感增强对抗训练(emotion-enhanced adversarial training,EAT)虚假新闻检测模型。该模型基于梯度信息构建动态扰动生成策略,并结合文本长度对扰动强度进行自适应调节,以提高对抗样本的有效性;引入文本-情感协同建模机制,将情感极性特征融入文本语义表示学习过程,以增强对情感驱动型虚假信息的识别能力;同时,采用特征贡献度驱动的动态权重更新方式,实现多特征融合的自适应优化。实验结果表明,EAT在Fake-and-Real-News和FakeNewsNet数据集对抗测试环境下的准确率分别达到0.979和0.945,较基线模型CNN-L2分别提高0.8和9.4百分点,F1值也有明显提升,表明该模型能够在提高检测性能的同时增强模型对对抗样本的适应能力。