SEMI-FND：基于堆叠集成的多模态推理方法实现更快的虚假新闻检测

虚假新闻检测（Fake News Detection, FND）是自然语言处理领域中的一个重要研究方向，旨在识别并验证新闻文章中主要陈述的真实性，从而判断新闻的可信度。FND在防止因事实歪曲而引发的社会、政治及国家层面的损害方面具有重要意义，尤其当虚假信息可能对特定社会群体造成负面影响时。此外，随着社交媒体上虚假新闻的传播呈爆炸式增长，涵盖文本与图像等多种形式，快速且准确地识别虚假新闻已成为迫切需求。为应对这一挑战，本文提出一种新颖的多模态堆叠集成式虚假新闻检测方法（SEMIFND），该方法在保证高效性能的同时，力求减少模型参数量。为提升多模态融合效果，本文对图像模态进行了深入的单模态分析，最终确定NasNet Mobile为最适用于该任务的图像特征提取模型；对于文本模态，则采用BERT与ELECTRA的集成策略。该方法在两个公开数据集——Twitter MediaEval与Weibo语料库上进行了评估，分别取得了85.80%和86.83%的准确率。实验结果表明，所提出框架在性能上优于近期同类研究工作。此外，本文还报告了模型参数量的显著减少：相较于近期相关工作，SEMIFND整体参数量降低了至少20%，其中文本模态的参数压缩率高达60%。综上所述，基于本研究的实证分析，可得出结论：采用堆叠集成策略显著提升了虚假新闻检测的性能，同时兼顾了推理速度与模型轻量化，展现出良好的实际应用潜力。