Key points are not available for this paper at this time.
Identificar a veracidade de um artigo de notícias é um problema interessante, e automatizar esse processo pode ser uma tarefa desafiadora. A detecção de um artigo de notícias como falso ainda é uma questão em aberto, pois depende de muitos fatores que os modelos de última geração atuais não conseguem incorporar. Neste artigo, exploramos uma subtarefa da identificação de notícias falsas, que é a detecção de posição. Dado um artigo de notícias, a tarefa é determinar a relevância do corpo e de sua alegação. Apresentamos uma ideia inovadora que combina recursos neurais, estatísticos e externos para fornecer uma solução eficiente a esse problema. Computamos a incorporação neural a partir do modelo recorrente profundo, recursos estatísticos do modelo de palavras em frequência ponderada e recursos externos elaborados com a ajuda de heurísticas de engenharia de recursos. Finalmente, usando uma camada neural profunda, todos os recursos são combinados, classificando assim o par de manchete-corpo da notícia como concordar, discordar, discutir ou irrelevante. Comparamos nossa técnica proposta com os modelos de última geração atuais no conjunto de dados do desafio de notícias falsas. Através de experimentos extensivos, descobrimos que o modelo proposto supera todas as técnicas de última geração, incluindo as submissões ao desafio de notícias falsas.
Bhatt et al. (Mon,) estudaram esta questão.