一种用于可解释虚假新闻检测的粗粒度到细粒度级联式证据提炼神经网络

现有的虚假新闻检测方法旨在将新闻内容分类为真实或虚假，并提供可信度解释，已取得显著性能。然而，这些方法通常依赖人工核实报告来构建自动化解决方案，因而面临新闻覆盖范围有限以及辟谣延迟的问题。当某条新闻尚未被人工核实或辟谣时，通常已有大量相关原始报道在各类媒体平台上广泛传播，这些信息蕴含着“群体智慧”，可用于验证新闻声明并解释其真伪判断。本文提出一种新型的粗粒度到细粒度级联式证据提炼（Coarse-to-fine Cascaded Evidence-Distillation, CofCED）神经网络模型，基于此类原始报道实现可解释的虚假新闻检测，从而减轻对已核实报告的依赖。具体而言，我们首先采用分层编码器对网络文本进行表征，随后设计两个级联式选择模块，以粗到细的方式从选定的前K篇报告中筛选出最具解释性的句子，用于支撑最终的判断结论。此外，我们构建了两个可解释的虚假新闻数据集，并已公开发布。实验结果表明，所提模型显著优于现有最先进方法，并在多种评估维度下生成高质量的解释。