Zum Nutzen der Kombination neuronaler, statistischer und externer Merkmale für die Identifizierung von Falschinformationen

Die Identifizierung der Wahrhaftigkeit eines Nachrichtenartikels ist ein interessantes Problem, während die Automatisierung dieses Prozesses eine herausfordernde Aufgabe darstellen kann. Die Erkennung eines Nachrichtenartikels als Falschmeldung bleibt eine offene Frage, da sie von vielen Faktoren abhängt, die aktuelle state-of-the-art-Modelle nicht berücksichtigen können. In dieser Arbeit untersuchen wir einen Teilaspekt der Falschmeldungsidentifizierung, nämlich die Stance-Detektion. Das Ziel besteht darin, bei einem gegebenen Nachrichtenartikel die Relevanz des Artikelleibes und seiner Behauptung zu bestimmen. Wir präsentieren eine neuartige Idee, die neuronale, statistische und externe Merkmale kombiniert, um eine effiziente Lösung für dieses Problem zu bieten. Wir berechnen das neuronale Einbettungsmodell aus dem tiefen rekurrenten Modell, statistische Merkmale aus dem gewichteten n-Gramm-Sack-von-Wörtern-Modell (bag-of-words) und manuell erstellte externe Merkmale mit Hilfe von Feature-Engineering-Heuristiken. Schließlich werden alle Merkmale durch eine tiefe neuronale Schicht kombiniert, wodurch das Headline-Körper-Nachrichtenpaar als zustimmend (agree), ablehnend (disagree), diskutierend (discuss) oder unverwandt (unrelated) klassifiziert wird. Wir vergleichen unsere vorgeschlagene Technik mit aktuellen state-of-the-art-Modellen auf dem Fake News Challenge Datensatz. Durch umfangreiche Experimente stellen wir fest, dass das vorgeschlagene Modell alle state-of-the-art-Techniken einschließlich der Einreichungen zum Fake News Challenge übertrifft.