做网站用什么免费字体,找网站建设都需要注意哪些,王建设个人网站,公司网站维护工作导读#xff1a; 为解决现有新闻文本虚假检测方法仅依赖语义特征、忽视情感特征#xff0c;导致复杂内容检测准确度低的问题#xff0c;提出一种基于情感增强机制的大语言模型虚假新闻检测方法(Sentiment-Enhanced Large Language Model for Fake News Detection, SELLM-FN…导读为解决现有新闻文本虚假检测方法仅依赖语义特征、忽视情感特征导致复杂内容检测准确度低的问题提出一种基于情感增强机制的大语言模型虚假新闻检测方法(Sentiment-Enhanced Large Language Model for Fake News Detection, SELLM-FND)。该方法先对新闻文本进行情感分析以提取情感特征再通过大语言模型融合文本与情感特征完成检测。在WELFake_Dataset_Edited数据集上的实验显示该方法准确率达0.929检测性能优于以往基于文本的虚假新闻检测方法作者:冉广煜, 肖克晶北京印刷学院信息工程学院北京论文详情基于文本内容的虚假新闻检测的核心是准确地提取文本内容的特征例如词汇频率、句法结构、事实引用数量等显性特征以及语义一致性、上下文依赖、潜在立场等隐形特征。现有方法多聚焦于语义特征却忽视了情感特征在虚假新闻检测中的重要作用。从心理学角度看虚假新闻常通过激发受众强烈情绪影响其认知判断从传播学角度情感是虚假新闻快速传播的重要驱动力。基于此本文提出基于情感增强机制的大语言模型虚假新闻检测方法具体流程如下在模型训练与微调阶段先训练用于情感分析的子模型再利用该部分模型为新闻数据集自动添加情感标注然后利用该数据集通过低秩适配(Low-Rank Adaptation, LoRA)微调策略微调出可以通过文本语义和情感标签检测虚假新闻的核心部分。在部署阶段该方法先对新闻的文本进行情感分析提取其中的情感特征再对提取出来的情感特征和新闻文本进行整合与检测实现更高精度的虚假新闻检测。本文将假新闻检测任务定义为一个二分类任务给定一个新闻的文本信息T使其输出预测结果y即需要设计函数f使其满足yf(T) 。为了实现情感增强本文还需要对新闻文本T进行情感分析其中情感分析过程定义为函数g2情感分析的结果设为Emo即有Emog2(T) 。同时将情感分析结果作为后续新闻检测的依据之一即重新设计一个新的函数f2可得模型如图1本文所提出的SELLM-FND模型首先需要对新闻的文本进行情感分析提取其中的情感特征情感分析部分使用BERT模型作为基础。本文通过对预训练模型BERT进行微调获得具备情感分析能力的BERTemotions模型。为使该模型区别于现有仅能进行极性判断的情感分析模型本文使用情感数据集对其进一步训练使其能够识别十一种情感并输出由这些情感倾向组成的情感向量。为在充分体现文本情感倾向的同时减少模型计算量我们进一步优化模型使其仅输出情感倾向最强烈的三种情感所组成的情感向量。为支撑本文研究实验所需数据集需要满足“同时包含情感标签与新闻真实性标签”的高质量标注要求然而一方面虚假新闻检测任务的数据集往往仅标注“真实/虚假”二元标签或简单的情感标签缺乏细粒度情感标注(如愤怒、恐惧、喜悦)另一方面情感分析专用数据集虽包含丰富的情感类别标注却未关联新闻文本的真实性标签无法直接满足“基于情感特征预测新闻真实性”的实验设计目标。针对已有数据集不满足本文的研究目标的问题本文采用在训练中途对数据集进行二次加工的方式将训练任务一分为二并将数据集预处理穿插在二者之间具体流程分为三步第一步对预训练模型BERT进行微调使其具备情感分析能力第二步基于微调后的模型为新闻数据集添加情感标注第三步利用完成情感标注的新数据集对模型剩余部分展开训练。本实验最终选用经新闻分类任务微调后的DeepSeek-R1模型(DeepSeek-R1-Distill-Qwen-7B-News-Classifier)作为基础模型(以下以基础模型代指)。本实验使用sem_eval_2018数据集训练情感分析模型。本文评估指标包括准确率、精度、召回率以及F1指数。准确率是最直观的用于衡量预测假新闻和真实假新闻之间的相似性的指标利用精度、召回率以及F1指数为假新闻检测提供整体预测性能在假新闻检测中这四个指标结合使用能更全面地反映模型的实际效果。对比结果如表2所示仅基于细粒度情感分析的FOREAL模型与仅基于BERT微调的BERT_detection模型检测效果最差推测原因是二者均依赖单一维度特征(FOREAL依赖情感特征BERT_detection依赖语义特征)特征表征的全面性不足导致检测性能受限。相比之下融合情感维度与语义维度双特征的EmoSentBERT模型检测效果显著优于上述两类单维度模型验证了多维度特征融合对提升虚假新闻检测性能的有效性。此外未引入情感变量的两类大模型方法(LLM-GAN与DeepSeek-R1_detection)性能均优于传统预训练融合模型。其中基于对抗提示机制的LLM-GAN模型凭借大模型的逻辑推理与对抗训练优势实现了0.916的准确率但未融入情感特征其性能仍落后于引入情感增强的模型DeepSeek-R1_detection模型(基于基础模型DeepSeek-R1-Distill-Qwen-7B-News-Classifier针对虚假新闻检测任务进一步微调所得)虽未引入情感分析模块但其检测效果仍优于FOREAL、BERT_detection与EmoSentBERT三类模型这体现出了基础大模型在语义理解与任务适配方面的天然优势。本文设计的SELLM-FND模型在DeepSeek-R1_detection的基础上增加了情感增强机制其检测性能在所有评估指标中均表现最佳各项指标均高于其他对比模型且在精度与F1指数上的优势尤为突出。这表明SELLM-FND模型在虚假新闻检测任务中具备更精准的预测能力与更均衡的综合性能同时验证了情感增强机制对提升大模型虚假新闻检测效果的积极作用。实验结果说明单一的语义维度和情感维度的检测模型相比于能够结合两种维度的模型都相对落后而单一的基于情感维度的模型检测也落后于基于语义的基础BERT模型检测大模型的简单微调后的检测结果相比普通的预训练模型更好基于情感增强机制的大语言模型虚假新闻检测方法无论是比预训练模型还是未使用情感增强机制的大模型性能都更好。为验证SELLM-FND模型各核心模块对虚假新闻检测性能的贡献度明确不同模块的作用价值本研究设计了2组消融实验。实验结果如表3所示。综上SELLM-FND模型的两大核心模块(情感模块、跨注意力融合)均对性能提升产生关键作用其中情感模块的核心价值尤为突出跨注意力融合保障了特征融合质量二者与LoRA微调策略协同作用共同实现了虚假新闻检测性能的最优表现。需注意单一语义维度或情感维度的检测模型性能均落后于双维度融合模型而本文方法仍属于基于文本的单一模态检测方法在面对包含文本、图像、音频和视频的多媒体新闻时的能力尚未得到验证。但即使能力可能有所不足SELLM-FND模型作为基于文本的虚假新闻检测模型也可作为多模态虚假新闻检测中的文本模态处理方法加入到多模态的虚假新闻检测中。基金项目北京市教育委员会科研计划项目资助(KM202410015002)北京印刷学院博士启动资金(27170123034、27170124026)。原文链接https://doi.org/10.12677/csa.2026.162044