基于大模型数据增强的多粒度特征融合谣言检测OA

随着网络和社交媒体的快速发展,信息的生成和传播速度达到了前所未有的水平,虚假信息、谣言及其他误导性内容充斥的现象愈加突出,这类问题已对社会治理秩序、和谐稳定构成重大威胁。在谣言检测中,谣言样本占比低导致数据不平衡,现有文本增强技术因缺乏谣言风格针对性、生成质量低,难以提升检测效果。同时,预训练语言模型虽然擅长捕捉文本全局依赖关系,却难以聚焦谣言关键局部特征。为此,提出一种基于大模型数据增强的多粒度特征融合的谣言检测框架。首先,提出融合谣言风格词典与大语言模型(LLM)的谣言生成方法,基于公开谣言数据集构建风格词典,以词典为约束指导LLM生成语义连贯且符合谣言风格的少数类样本,在缓解数据不平衡问题的同时保障增强样本质量;其次,所提多粒度上下文特征提取器(MGCFE),融合基于解耦注意力机制的预训练语言模型在全局依赖捕捉上的优势,与卷积子层对局部特征的聚焦能力,实现对谣言语义长距离逻辑关联与细粒度语言线索的同步捕捉,有效弥补此类预训练模型在局部关键特征捕捉上的固有局限。实验结果表明,该检测方法在BuzzFeed和PolitiFact数据集准确率分别达到82.24%、93.91%。