融合多尺度与多任务学习的多模态假新闻检测方法

摘要

随着社交媒体的飞速发展，虚假新闻的传播对公众舆论和社会稳定构成严重威胁.传统的虚假新闻检测方法多聚焦于文本信息与单一尺度图像特征的融合方法，而且这些方法也大多仅关注新闻的真伪二元分类，缺乏对虚假新闻进行更细致和精准的分类.因此，提出一种融合多尺度与多任务学习的多模态假新闻检测方法（Multi-Scale and MultiTask Learning for Multimodal Fake News Detection,MML-MFD）.该方法在图像特征提取阶段引入多尺度技术，能捕捉图像在不同分辨率下的丰富语义信息，克服单一尺度特征提取在处理复杂场景时的局限性.同时，模型引入图文匹配和图文相似性判断任务，不仅可精准识别虚假新闻的具体类型，还能提升模型的鲁棒性和泛化能力.此外，通过细粒度的图文匹配和相似性判断子任务，模型能为检测结果提供直观的解释依据，增强用户对检测模型的信任，并为后续辟谣工作提供更具针对性的指导.实验结果表明，MML-MFD模型在Twitter和Weibo数据集上均展现出优异的性能，验证了该方法在多模态虚假新闻检测中的有效性.

关键词

虚假新闻检测 / 多模态融合 / 多尺度提取 / 多任务学习 / 深度学习