RAEmoLLM: Retrieval Augmented LLMs for Cross-Domain Misinformation Detection Using In-Context Learning based on Emotional Information

误导信息在教育、政治、健康等各个领域都很普遍，给社会带来了重大危害。然而，目前跨领域的误导信息检测方法依赖于耗时耗力的微调和复杂的模型结构。由于LLMs具有出色的性能，许多研究采用它们进行误导信息检测。不幸的是，它们专注于领域内任务，并未融入重要的情感特征（我们称之为情感）。本文提出了RAEmoLLM，这是第一个使用基于情感信息的上下文学习来解决跨领域误导信息检测的检索增强（RAG）LLMs框架。它通过应用情感感知的LLM来构建一个具有情感嵌入的检索数据库，我们的检索模块使用这个数据库获取源领域样本，这些样本随后用于推理模块的上下文少样本学习，以检测目标领域的误导信息。我们在三个误导信息基准上评估了我们的框架。结果显示，RAEmoLLM在三个数据集上相对于零样本方法实现了显著的改进，最高分别增加了20.69%、23.94%和39.11%。本文将在https://github.com/lzw108/RAEmoLLM上发布。

解决问题：该论文旨在解决跨领域的虚假信息检测问题，并使用情感信息进行上下文学习。

关键思路：该论文提出了一种基于情感感知的检测框架RAEmoLLM，结合了检索增强和情感感知的LLMs，通过情感嵌入检索数据库获取源域样本，然后使用上下文学习来检测目标领域的虚假信息。

亮点：该论文在三个虚假信息数据集上进行了评估，结果表明RAEmoLLM相对于零样本方法在三个数据集上都有显著的提高，最高分别为20.69％，23.94％和39.11％。该论文的代码将在https://github.com/lzw108/RAEmoLLM上发布。

相关研究：最近的相关研究包括基于深度学习的虚假信息检测方法，以及利用情感信息进行文本分类的研究。例如，《A survey on deep learning for fake news detection》和《Affective Text Classification: A Survey》。