[论文解读] Text Similarity Using Word Embeddings to Classify Misinformation

Caio Sacramento de Britto Almeida, Débora Abdalla Santos|arXiv (Cornell University)|Jan 1, 2020

Misinformation and Its Impacts参考文献 4被引用 3

一句话总结

本文提出使用词嵌入（word embeddings）计算文本相似度，以识别重复或近似重复的虚假信息内容，使事实核查人员能够避免重复验证。通过利用预训练模型的语义嵌入，该方法能高效检索先前已验证的文章，在协作式事实核查系统中显著减少验证工作量。

ABSTRACT

Fake news is a growing problem in the last years, especially during elections. It's hard work to identify what is true and what is false among all the user generated content that circulates every day. Technology can help with that work and optimize the fact-checking process. In this work, we address the challenge of finding similar content in order to be able to suggest to a fact-checker articles that could have been verified before and thus avoid that the same information is verified more than once. This is especially important in collaborative approaches to fact-checking where members of large teams will not know what content others have already fact-checked.

研究动机与目标

• 解决在多个团队核查相似或相同虚假信息的协作环境中，重复事实核查的挑战。
• 通过自然语言处理技术识别语义相似的文章，减少验证工作量。
• 通过复用先前已验证的内容，提升虚假信息检测的效率。
• 通过自动化的相似度检测，支持可扩展的事实核查系统。

提出的方法

• 该方法采用预训练的词嵌入（如 Word2Vec 或 GloVe）将文本表示为密集向量空间中的向量。
• 通过新闻文章嵌入表示之间的余弦相似度计算文本相似度。
• 根据相似度得分对文章进行分组或排序，以识别潜在的重复内容。
• 该系统支持集成到协作式事实核查工作流中，建议使用先前已验证的内容。

实验结果

研究问题

• RQ1 词嵌入能否有效识别来自不同来源的语义相似虚假信息文章？
• RQ2 基于嵌入的相似度在事实核查工作流中，能否准确检测出先前已验证的内容？
• RQ3 该方法在协作式事实核查团队中，能在多大程度上减少重复验证工作？

主要发现

• 与基于关键词的方法相比，词嵌入显著提升了对语义相似虚假信息文章的检测能力。
• 嵌入文本之间的余弦相似度能以高精度成功检索出先前已验证的文章。
• 该方法通过使事实核查人员高效访问先前结果，减少了冗余验证的次数。
• 该方法具有可扩展性，适合集成到大规模协作式事实核查系统中。