Let Silence Speak: Enhancing Fake News Detection with Generated Comments from Large Language Models

假新闻检测在保护社交媒体用户和维护健康的新闻生态方面起着至关重要的作用。在现有的工作中，基于评论的假新闻检测方法经验证明是很有前途的，因为评论可以反映用户的观点、立场和情感，并加深模型对假新闻的理解。不幸的是，由于暴露偏差和用户不同的评论意愿，在现实中很难获得多样化的评论，特别是在早期检测场景中。如果没有获取到“沉默”用户的评论，那么所感知到的观点可能是不完整的，随后影响新闻真实性的判断。在本文中，我们探索了寻找替代评论来源以确保多样化评论的可用性的可能性，特别是那些来自“沉默”用户的评论。具体而言，我们提出采用大型语言模型（LLMs）作为用户模拟器和评论生成器，并设计了GenFEND，一种生成的反馈增强检测框架，通过提示LLMs具有不同用户配置文件并聚合来自多个亚群体组的生成评论来生成评论。实验证明了GenFEND的有效性，进一步分析表明生成的评论涵盖了更多样化的用户，并且甚至可能比实际评论更有效。

解决社交媒体上评论不足的问题，提高假新闻检测的准确性。

采用大型语言模型作为用户模拟器和评论生成器，生成多样化的评论以提高假新闻检测的准确性。

论文提出了GenFEND框架，使用大型语言模型生成评论，并从多个子群体中聚合生成的评论，实验证明其有效性。生成的评论涵盖了更多多样化的用户，有望提高假新闻检测的准确性。

在评论生成和假新闻检测方面，已经有一些相关的研究，例如：\n1. Fake News Detection on Social Media: A Data Mining Perspective\n2. Generating Informative and Diverse Conversational Responses via Adversarial Information Maximization