[论文解读] Combination Of Convolution Neural Networks And Deep Neural Networks For Fake News Detection

Zainab A. Jawad, Ahmed J. Obaid|arXiv (Cornell University)|Oct 15, 2022

Misinformation and Its Impacts被引用 4

一句话总结

该论文提出了一种混合深度学习模型，结合卷积神经网络（CNN）与深度神经网络（DNN），利用FNC-1数据集进行虚假新闻检测。该方法采用自然语言处理技术、软余弦相似度以及通过肘部法进行的特征降维，实现了84.6%的准确率——在竞争性提交中排名第二——但'不同意'类别除外。

ABSTRACT

Nowadays, People prefer to follow the latest news on social media, as it is cheap, easily accessible, and quickly disseminated. However, it can spread fake or unreliable, low-quality news that intentionally contains false information. The spread of fake news can have a negative effect on people and society. Given the seriousness of such a problem, researchers did their best to identify patterns and characteristics that fake news may exhibit to design a system that can detect fake news before publishing. In this paper, we have described the Fake News Challenge stage #1 (FNC-1) dataset and given an overview of the competitive attempts to build a fake news detection system using the FNC-1 dataset. The proposed model was evaluated with the FNC-1 dataset. A competitive dataset is considered an open problem and a challenge worldwide. This system's procedure implies processing the text in the headline and body text columns with different natural language processing techniques. After that, the extracted features are reduced using the elbow truncated method, finding the similarity between each pair using the soft cosine similarity method. The new feature is entered into CNN and DNN deep learning approaches. The proposed system detects all the categories with high accuracy except the disagree category. As a result, the system achieves up to 84.6 % accuracy, classifying it as the second ranking based on other competitive studies regarding this dataset.

研究动机与目标

• 为应对社交媒体平台上虚假新闻传播日益加剧的挑战。
• 开发一种稳健的自动化系统，能够在发布前检测虚假新闻。
• 通过结合CNN与DNN架构并辅以先进的特征工程，提升检测准确率。
• 在基准FNC-1数据集上评估模型性能，并与现有方法进行比较。
• 识别在检测'不同意'类别方面存在的局限性，该类别仍具挑战性。

提出的方法

• 使用自然语言处理技术对标题和正文文本进行预处理。
• 通过肘部截断法提取并降低特征维度，以优化维度。
• 应用软余弦相似度来衡量特征对之间的相似性。
• 将降维后的特征输入卷积神经网络以提取局部模式，并输入深度神经网络以学习高层表示。
• 通过组合CNN与DNN组件的输出完成最终分类。
• 使用标准指标在FNC-1数据集上进行模型训练与评估。

实验结果

研究问题

• RQ1 混合CNN-DNN架构能否有效利用标题和正文的文本特征检测虚假新闻？
• RQ2 通过肘部法进行的特征降维在虚假新闻检测中的模型性能方面有何影响？
• RQ3 软余弦相似度在多大程度上改善了虚假新闻分类的特征表示？
• RQ4 为何该模型在'不同意'类别上的表现相较于其他类别较差？
• RQ5 与现有最先进系统相比，该模型在FNC-1基准上的准确率如何？

主要发现

• 所提出的模型在FNC-1数据集上实现了84.6%的整体准确率，在竞争系统中排名第二。
• 该模型在除'不同意'类别外的所有虚假新闻类别中表现良好，而'不同意'类别检测准确率较低。
• 通过肘部法进行的特征降维有效平衡了模型复杂度与性能。
• 软余弦相似度通过捕捉语义关系，有助于改善特征表示。
• CNN与DNN的融合使模型能够有效学习文本的局部与全局模式。
• 该模型在基准数据集上表现出良好的泛化能力，表明对多样化虚假新闻模式具有鲁棒性。