Neural, Statistical, 그리고 External Features를 결합한 가짜 뉴스 식별의 이점

뉴스 기사의 진위를 식별하는 것은 흥미로운 문제이며, 이 과정을 자동화하는 것은 어려운 작업일 수 있습니다. 뉴스 기사를 가짜로 감지하는 것은 여전히 미해결된 질문으로, 현재 최신 모델들이 여러 요소들을 포함하지 못하기 때문입니다. 본 논문에서는 가짜 뉴스 식별의 하위 작업인 입장을 감지하는 작업을 탐구합니다. 주어진 뉴스 기사에 대해 본문과 주장 간의 관련성을 결정하는 것이 이 작업의 목표입니다. 우리는 신경망, 통계적 특성, 외부 특성을 결합하여 이 문제에 대한 효율적인 해결책을 제시하는 새로운 아이디어를 제안합니다. 깊은 순환 모델에서 신경 임베딩을 계산하고, 가중 n-그램 백-오브-워즈 모델에서 통계적 특성을 추출하며, 특성 공학 휴리스틱을 활용하여 수작업으로 외부 특성을 생성합니다. 마지막으로, 깊은 신경망 층을 사용하여 모든 특성을 결합하여 헤드라인-본문 뉴스 쌍을 동의(agree), 불동의(disagree), 논의(discuss) 또는 무관(unrelated)으로 분류합니다. 우리는 제안한 기술이 가짜 뉴스 도전 데이터셋에서 현재 최신 모델들과 비교되는지를 검토하였습니다. 광범위한 실험을 통해 제안된 모델이 가짜 뉴스 도전 대회 출품작을 포함한 모든 최신 기술보다 우수한 성능을 보임을 확인하였습니다.