FineFake: A Knowledge-Enriched Dataset for Fine-Grained Multi-Domain Fake News Detecction

现有的用于检测假新闻的基准测试对于推进评估新闻内容真实性的模型做出了重大贡献。然而，这些基准测试通常仅关注单个语义主题或来自单个平台的新闻，因此未能捕捉到真实情况下多领域新闻的多样性。为了理解各个领域的假新闻，外部知识和精细注释是不可或缺的，以提供精确证据并揭示制造假新闻的多样化策略，这也是现有基准测试所忽略的。为了填补这一空白，我们引入了一种新颖的多领域知识增强基准测试，名为FineFake，具有精细的注释。FineFake涵盖了16909个数据样本，涵盖了六个语义主题和八个平台。每个新闻项目都丰富了多模态内容、潜在社交背景、半手动验证的常识和精细注释，超越了传统的二进制标签。此外，我们基于FineFake提出了三个具有挑战性的任务，并提出了一种知识增强的领域适应网络。在各种情况下对FineFake进行了广泛的实验，为未来的努力提供了准确可靠的基准测试。整个FineFake项目可以作为开源存储库公开访问，网址为\url{https://github.com/Accuser907/FineFake}。

本论文旨在解决当前假新闻检测领域中缺乏多领域数据和细粒度标注的问题，提出了一个多领域知识增强的新型基准数据集FineFake，并提出了相应的挑战性任务和领域自适应网络。

论文的关键思路是构建一个多领域知识增强的基准数据集FineFake，包含16,909个数据样本，涵盖了六个语义主题和八个平台，并提供了多模态内容、社交背景、半自动验证的常识知识和细粒度标注等信息，同时提出了一个知识增强的领域自适应网络。

本论文的亮点包括：1.构建了一个多领域知识增强的基准数据集FineFake，提供了多模态内容、社交背景、常识知识和细粒度标注等信息；2.提出了三个挑战性任务，包括领域自适应、多标签分类和多任务学习；3.提出了一个知识增强的领域自适应网络，并在FineFake数据集上进行了广泛的实验。

在假新闻检测领域中，最近的相关研究包括：1.《Fake News Detection on Social Media: A Data Mining Perspective》；2.《A Survey on Detection Methods of Fake News》；3.《A Survey of Fake News: Fundamental theories, detection methods, and opportunities》等。