[论文解读] Emotion Cognizance Improves Fake News Identification.

K. Anoop, P Deepak+1 more|arXiv (Cornell University)|Jun 25, 2019

Misinformation and Its Impacts被引用 5

一句话总结

本文提出通过使用情感强度词典将情感认知融入文本表征，以增强虚假新闻识别。通过生成情感感知的嵌入表示，该方法在监督和非监督设置下均实现了稳定且显著的性能提升，表明新闻中的情感内容是虚假信息检测中一种有价值但此前被忽视的信号。

ABSTRACT

Identifying misinformation is increasingly being recognized as an important computational task with high potential social impact. In this paper, we consider leveraging the affective character of news articles for fake news identification and present evidence that emotion cognizant representations are significantly more suited for the task. We outline a technique to leverage emotion intensity lexicons to develop emotionized text representations, and evaluate the utility of such a representation for fake news identification in various supervised and unsupervised scenarios. The consistent and significant empirical gains that we observe over a range of technique types and parameter settings establish the utility of the emotional information in news articles, an often overlooked aspect, for the task of misinformation identification.

研究动机与目标

• 探究新闻文章中的情感内容是否能提升虚假新闻检测效果。
• 开发一种利用情感强度词典生成情感化文本表征的方法。
• 评估情感认知在监督和非监督学习场景下的有效性。
• 证明新闻中的情感信号是虚假信息检测中一种有价值且未被充分利用的资源。

提出的方法

• 该方法使用情感强度词典量化新闻文本中的情感效价和唤醒度。
• 通过将情感强度得分整合到词嵌入或序列编码中，增强文本表征。
• 在监督和非监督设置下，将情感化表征作为多种虚假新闻分类模型的输入。
• 通过在多种模型架构和超参数设置下评估该方法，以确保其鲁棒性。
• 情感认知的实现无需额外的标注情感数据，仅依赖现有的预训练词典。

实验结果

研究问题

• RQ1 情感感知的表征是否能提升虚假新闻检测的性能？
• RQ2 情感认知在不同学习范式（包括监督和非监督设置）下的表现如何？
• RQ3 情感内容的引入是否始终是识别虚假信息的有益信号？
• RQ4 不同参数设置和模型类型如何与情感增强的表征相互作用？

主要发现

• 情感认知表征在虚假新闻检测准确率上实现了稳定且显著的提升。
• 性能增益在多种模型类型和超参数配置下均被观察到。
• 该方法在监督和非监督学习场景中均表现出实用性。
• 新闻文章中的情感信息是虚假信息检测中一种有价值但此前被忽视的信号。