-
公开(公告)号：CN114048286B
公开(公告)日：2024-06-07
申请号：CN202111268939.2
申请日：2021-10-29
Applicant: 南开大学
IPC: G06F16/33 , G06F16/35 , G06F16/9536 , G06F40/211 , G06F40/295 , G06F18/24 , G06N3/042 , G06N3/0455 , G06N3/08 , G06Q50/00
Abstract: 一种融合图转换器和共同注意力网络的自动事实验证方法，属于人工智能技术领域。利用声明和检索到的证据作为输入数据，构建基于深度学习的自动事实验证方法。本方法首先通过实体链接的方法识别声明中的实体，并根据抽取的实体在维基百科中检索相关的文档。其次，使用排序模型在检索到的文档中选取与声明最相关的五个句子作为证据。再者，构建(证据，声明)对，将(证据，声明)对输入微调后的预训练语言模型中进行编码。最后，通过构建基于图转换器和共同注意力网络的事实验证模型，学习声明和证据以及证据和证据之间的潜在关系，完成事实验证。实验结果表明，本方法优于目前已有的自动事实验证方法，同时此方法具备可解释性。
-
公开(公告)号：CN112183670B
公开(公告)日：2022-08-09
申请号：CN202011220037.7
申请日：2020-11-05
Applicant: 南开大学
Abstract: 本发明开了一种基于知识蒸馏的少样本虚假新闻检测方法，属于人工智能技术领域，命名为FSKD(Detecting Fake News with Few‑Shot Knowledge Distillation)。本方法采用知识蒸馏的思想，以Teacher‑Student(教师‑学生)模型为框架，使用BERT作为Teacher(教师)模型，使用少量的有标签数据进行微调来为无标签的数据给定soft labels(软标签)，从而使得模型可以同时使用有标签的数据和无标签的数据进行训练，解决了现有的虚假新闻检测手段需要依赖大量的有标签数据的问题，同时此方法使用了一定的优化算法来避免过拟合问题。实验结果表明，本方法优于目前已有的少样本虚假新闻检测方法的效果。
-
公开(公告)号：CN112183670A
公开(公告)日：2021-01-05
申请号：CN202011220037.7
申请日：2020-11-05
Applicant: 南开大学
Abstract: 本发明开了一种基于知识蒸馏的少样本虚假新闻检测方法，属于人工智能技术领域，命名为FSKD(Detecting Fake News with Few‑Shot Knowledge Distillation)。本方法采用知识蒸馏的思想，以Teacher‑Student(教师‑学生)模型为框架，使用BERT作为Teacher(教师)模型，使用少量的有标签数据进行微调来为无标签的数据给定soft labels(软标签)，从而使得模型可以同时使用有标签的数据和无标签的数据进行训练，解决了现有的虚假新闻检测手段需要依赖大量的有标签数据的问题，同时此方法使用了一定的优化算法来避免过拟合问题。实验结果表明，本方法优于目前已有的少样本虚假新闻检测方法的效果。
-
公开(公告)号：CN114048286A
公开(公告)日：2022-02-15
申请号：CN202111268939.2
申请日：2021-10-29
Applicant: 南开大学
IPC: G06F16/33 , G06F16/35 , G06F16/9536 , G06F40/211 , G06F40/295 , G06K9/62 , G06N3/04 , G06N3/08 , G06Q50/00
Abstract: 一种融合图转换器和共同注意力网络的自动事实验证方法，属于人工智能技术领域。利用声明和检索到的证据作为输入数据，构建基于深度学习的自动事实验证方法。本方法首先通过实体链接的方法识别声明中的实体，并根据抽取的实体在维基百科中检索相关的文档。其次，使用排序模型在检索到的文档中选取与声明最相关的五个句子作为证据。再者，构建(证据，声明)对，将(证据，声明)对输入微调后的预训练语言模型中进行编码。最后，通过构建基于图转换器和共同注意力网络的事实验证模型，学习声明和证据以及证据和证据之间的潜在关系，完成事实验证。实验结果表明，本方法优于目前已有的自动事实验证方法，同时此方法具备可解释性。
-
-
-
Search Results
4
records
(took 0.014 seconds)
