论文阅读 - MDFEND: Multi-domain Fake News Detection

https://arxiv.org/pdf/2201.00987

ABSTRACT

INTRODUCTION

2 RELATED WORK

3 WEIBO21: A NEW DATASET FOR MFND

3.1 Data Collection

3.2 Domain Annotation

4 MDFEND: MULTI-DOMAIN FAKE NEWS DETECTION MODEL

4.1 Representation Extraction

4.2 Domain Gate

4.3 Prediction

5 EXPERIMENT

5.1 Baseline Methods

ABSTRACT

背景：

假新闻在社交媒体上广泛传播，涉及政治、灾难和金融等多个领域，对现实世界造成威胁。

现有的大多数方法侧重于单域假新闻检测（SFND），当这些方法应用于多域假新闻检测时，其性能并不令人满意。

作为一个新兴领域，多域假新闻检测（MFND）越来越受到关注。

gap：

然而，不同领域的数据分布（如词频和传播模式）各不相同，这就是域偏移。面对严重的域转移挑战，现有的假新闻检测技术在多域场景下表现不佳。

因此，设计一种专门的 MFND 模型就显得尤为重要。

作者方法介绍：

在本文中，作者首先为 MFND 设计了一个带有领域标签注释的假新闻基准数据集，即微博 21，其中包括来自 9 个不同领域的 4,488 条假新闻和 4,640 条真新闻。

进一步提出了一种有效的多领域假新闻检测模型（MDFEND），该模型利用领域门来聚合由专家混合提取的多个报告。

实验：

实验表明，MDFEND 能显著提高多领域假新闻检测的性能。我们的数据集和代码见 https://github.com/kennqiang/MDFEND-Weibo21。

INTRODUCTION

背景

近年来，随着互联网的迅速普及，新浪微博[2]和推特[3]等社交媒体已成为获取新闻的重要来源。然而，它也是假新闻传播的理想平台。根据微博发布的《2020 年辟谣年度报告》[41]，全年经权威部门处理的假新闻达 76107 条。由于假新闻会对个人和社会造成破坏性后果，因此假新闻检测是一个亟待解决的重要问题。

前人工作：

为解决这一问题，人们提出了多种方法，其中大多数方法[ 6, 15 , 18 , 22 , 23]侧重于单领域假新闻检测（SFND），如政治、健康等领域。然而，就某一领域而言，假新闻的数量可能极其有限。因此，基于这些不充分的单领域数据，这些检测模型的性能并不令人满意。在实际场景中，现实世界的新闻平台每天都会发布不同领域的各种新闻[35]。因此，通过利用多个域的数据来解决数据稀疏问题并提高所有域的性能是很有前途的，这就是多域假新闻检测（MFND）。

GAP：

然而，不同领域的数据分布是不同的，这就是所谓的领域偏移 [28 , 46]。首先，不同领域有不同的用词习惯，例如，军事新闻中最常用的词是 “海军”、“陆军 ”等，而教育新闻中最常用的词是 “学生”、“大学”、“教师 ”等；其次，不同领域的传播模式也有很大差异 [35]。因此，面对严重的领域偏移问题，MFND 可能具有相当大的挑战性。此外，有些领域只包含极少量的标注数据，这一现象进一步增加了 MFND 的难度，而现有方法尚未解决这一问题。

贡献1：数据集的构建：

为了研究 MFND，我们建立了一个综合数据集微博 21，其中包含科学、军事、教育、灾难、政治、健康、金融、娱乐和社会等 9 个领域的新闻。每个领域都包含新闻内容、发布时间戳、相应的图片和评论。由于假新闻是为了经济或政治利益而有意制造的，因此往往包含意见性和煽动性语言。利用新闻内容的语言特征来检测假新闻是合理的[ 34 ]。时间戳和评论也包含在新闻中，因为时间戳可用于进行顺序分析[ 23 ]。而评论可以提供辅助信号，尤其是当帖子不包含丰富信息时[ 42 ]。最终，微博 21 包含来自 9 个不同领域的 4,488 条虚假新闻和 4,640 条真实新闻。

实验+ 方法：

由于缺乏系统的 MFND 工作，我们采用了几种多域学习基线 [ 26 , 31 , 35 , 40 ]，并在我们提出的数据集 arXiv:2201.00987v1 [cs.CL] 2022 年 1 月 4 日微博 21 上评估了这些多域方法以及几种流行的单域假新闻检测方法 [16 , 23]。此外，我们还提出了一种简单而有效的多领域假新闻检测模型，即 MDFEND，它利用领域门来聚合由专家混合生成的多种表征。实验证明，与上述基线相比，所提出的 MDFEND 能显著提高效率

这项工作的主要贡献可归纳为三个方面：（1）我们构建了微博 21（MFND 数据集）。据我们所知，该数据集是第一个从一个平台上收集的 MFND 数据集，并且包含最丰富的领域。(2) 我们为 MFND 提出了一种简单而有效的方法，命名为 MDFEND。(3) 在我们提出的微博 21 数据集上系统地评估了不同方法的 MFND 性能。

2 RELATED WORK

假新闻检测。

人们提出了许多方法来应对假新闻检测的挑战。早期的研究使用手工制作的特征[5, 6, 10 , 18]。

最近的一些研究使用传播模式进行结构建模[11, 23, 24, 36]，还有一些研究联合使用文本和视觉特征进行多模态建模[14, 30]。

Ma 等人[25] 和 Li 等人[20] 将相关任务纳入假新闻检测。

Wang 等人[ 40 ]采用最小博弈的思想提取事件不变（领域不变）特征，但忽略了特定领域的特征。

Silver等人[ 35 ]提出了联合保留特定领域知识和跨领域知识来检测来自不同领域的假新闻，但他们并没有明确地充分利用领域信息。

多领域（多任务多领域（多任务）学习。

多领域（多任务）学习的思想是联合学习一组领域（任务），这已在许多应用中被证明是有效的 [26, 31 , 43 - 45]。

这些研究的重点是通过多重表征来捕捉不同任务之间的关系。

每个任务都通过相互联系（包括任务间相关性差异）得到加强。

然而，这些多领域（多任务）框架并不适合假新闻检测。因此，有必要为 MFND 设计一种适当而有效的方法。

数据集。

目前已经构建了一些用于假新闻检测的数据集，包括 LIAR [ 39 ]、CoAID [ 7 ]、FakeHealth [ 8 ]、Twit- ter16 [ 23 ]和微博 [ 23, 42 ]，但它们都不包含多域信息。

FakeNewsNet [ 33 ] 只包含 Politifact 和 GossipCop 两个域，不足以进行多域假新闻检测。因此，亟需一个合适的多域假新闻数据集

3 WEIBO21: A NEW DATASET FOR MFND

在本节中，我们将介绍中文多领域假新闻数据集微博 21 的数据收集过程，以及如何确定新闻作品的领域类别。此外，我们还基于新闻内容进行了初步的数据分析，其中最重要的是新闻内容。假新闻检测中的直接线索，以明确显示一些领域的差异。

3.1 Data Collection

从新浪微博[ 2 ] 收集了从 2014 年 12 月到 2021 年 3 月的虚假新闻和真实新闻。

初始数据抓取。

对于虚假数据，收集由微博社区管理中心[4] 官方判定为不实信息的新闻作品。对于真实数据，收集与虚假新闻同期的真实新闻作品，这些作品已经过 NewsVerify [1]（一个专注于发现和验证微博上可疑新闻作品的平台）的验证。

对于每条新闻，收集:

（1）最直接的信息，即新闻内容；

（2）不同的模态，即图片；

（3）顺序信号，即时间戳；

（4）社会背景，即评论。

此外，还收集假新闻的判断信息，这可以为人们提供证据，提高数据集的可信度。

重复数据删除。原始数据中有大量重复数据，可能会在训练过程中造成数据泄露，因此在一次聚类中进行了重复数据删除。最终得到 4488 条虚假新闻和 4640 条真实新闻。

3.2 Domain Annotation

数据收集完成后，进行众包分类。

首先，为了制定分类标准，参考了卓舆网[47]、六间房[21]、一点资讯[13]、锐财经[32]等多家知名事实核查网站的域名列表，以及Vosoughi等人[38]、2017腾讯谣言治理再出发[37]和中国互联网联合辟谣平台[29]等一些研究论文和报告。

考虑到颗粒度的一致性和适当性，最终确定了九个领域： 科学、军事、教育、灾难、政治、健康、金融、娱乐和社会。

然后，将所有新闻标注到上述九个领域中。

为确保标注的公平性，聘请了 10 位专家对新闻进行人工标注。首先，10 位专家对所有新闻进行独立标注，即每条新闻都由 10 位专家进行标注；

然后，他们相互检查标注情况；

如果超过 8 位专家选择相同的域标签，则可确定最终的域标签，否则，他们将相互讨论，直至达成一致。收集到的数据集的统计数据如表 1 所示。

4 MDFEND: MULTI-DOMAIN FAKE NEWS DETECTION MODEL

在本节中，将为多域假新闻检测提出一个新颖的框架，即 MDFEND。与单域方法相同，将多域假新闻检测视为二元分类问题。整体框架如图 2 所示。

4.1 Representation Extraction

对于一条新闻，使用 BertTokenizer [9] 对其内容进行标记。在添加了用于分类（即 [CLS] ）和分离（即 [SEP] ）的特殊标记符后，得到了一个标记符列表 [[CLS], $token_1,...,token_n$ , , [SEP]] ，其中n是新闻内容中的标记符（词）数。然后将这些标记输入 BERT，得到词嵌入 $W = [w_{[CLS]}, w_1,..,w_n, w_{[SEP]}]$ ，其中所有的词嵌入都经过掩码-注意力网络处理，得到句子级嵌入 $e^s$ 。

为了特别处理每个领域，定义了一个可学习的向量，即领域嵌入 $e^d$ ，以帮助对每个领域进行个性化的表征提取。因此，将为每个域学习一个特定于域的值 $e^d$ 。

利用 Mixture-of-Expert [12 , 26 , 44] 的优势，采用多个专家（即网络）来提取新闻的各种表征。直观地说，可以使用一个专家来提取多个领域的新闻表征。但是，一个专家只擅长一个领域，因此，单个专家提取的新闻表征可能只包含部分信息，无法完全涵盖新闻内容的特征。因此，为了全面起见，采用了多个专家。

一个 “专家 ”网络可以用 $\Psi _i(W; \theta _i)$ 表示（1 ≤ i≤ T），其中 Ψ 是作为 “专家 ”网络输入的词嵌入集合，W表示要学习的参数，Ψ 是表示专家网络数量的超参数。让 $r_i$ 表示 “专家 ”网络的输出，即相应专家网络提取的表示。有

在的设计中，每个 “专家 ”网络都是一个 TextCNN [16]。

4.2 Domain Gate

要在 MFND 上获得良好的性能，就必须生成高质量的新闻表征，以适当地表征来自不同领域的新闻。直观地说，可以平均所有专家的表述。但是，简单的平均运算会去除特定领域的信息，因此合成的表征对于 MFND 来说可能并不理想。需要注意的是，不同的专家擅长不同的领域，他们擅长处理不同的领域。对于 MFND，希望自适应地选择专家。

根据这一思路，提出了一个领域门，以领域嵌入和句子嵌入作为输入来指导选择过程。选择过程的输出是一个向量 $a$ ，表示每个专家的权重比。将领域门表示为 $G(\cdot ;\phi )$ ，并且 $\phi$ 是领域门中的参数：

其中，域门 $G(\cdot ;\phi )$ 是一个前馈网络， $e^d$ 和 $e^s$ 分别是域嵌入和句子嵌入。使用 softmax 函数对 $G(\cdot )$ 的输出进行归一化处理， $a \in R^n$ 是表示不同专家重要性的权重向量。有了领域门，就得到了新闻的最终特征向量：