基于提示学习和模糊标签的多领域虚假新闻检测模型OA
互联网和智能设备的广泛普及为公众获取新闻提供了便利性.然而也为虚假新闻的产生和传播提供了温床.虚假新闻跨越多个领域,而现有的检测模型通常忽略领域间语料的特异性,影响了模型的准确率.为此,提出了一种基于提示学习和模糊标签的多领域虚假新闻检测模型(PLFuFND).该模型利用RoBERTa提取文本特征,通过构造含领域特性的提示模板将检测任务转化为填空问题;同时利用神经网络生成的领域模糊隶属概率指导提示学习,有效提升了准确率和泛化能力.在公开数据集Weibo17,Weibo21上的实验结果表明,该模型在无领域标注和多领域条件下的表现均优于传统微调模型及现有的先进模型,F1分数平均提升了1.16个百分点,验证了其在多领域虚假新闻检测任务中的可行性和有效性.
丁润宇;张仕斌;杨敏;蔡松睿;陈世航
成都信息工程大学网络空间安全学院,成都610225 先进密码技术与系统安全四川省重点实验室(成都信息工程大学),成都610225成都信息工程大学人工智能学院,成都610225 先进密码技术与系统安全四川省重点实验室(成都信息工程大学),成都610225成都信息工程大学网络空间安全学院,成都610225 先进密码技术与系统安全四川省重点实验室(成都信息工程大学),成都610225成都信息工程大学网络空间安全学院,成都610225 先进密码技术与系统安全四川省重点实验室(成都信息工程大学),成都610225成都信息工程大学网络空间安全学院,成都610225 先进密码技术与系统安全四川省重点实验室(成都信息工程大学),成都610225
信息技术与安全科学
虚假新闻检测提示学习模糊集合多领域学习深度学习
《信息安全研究》 2026 (7)
P.625-633,9
国家重点研发计划项目(2022YFB3103103)成都市重点研发项目(2023-XT00-00002-GX)成都市重点研发支撑计划项目(2024-YF05-01227-SN)。
评论