文献

J-GLOBAL ID：202202232165655205   整理番号：22A0788177

ERNIE-BiGRU-Attentionに基づくルモール検出のための効果的なアプローチ【JST・京大機械翻訳】

An Effective Approach for Rumor Detection Based on ERNIE-BiGRU-Attention

著者 (4件)： Lan Tian (Ministry of Education College of Cyberspace Security, Beijing University of Posts and Telecommunications,Key Laboratory of Trustworthy Distributed Computing and Service (BUPT),Beijing,China) ,  Li Xiaoyong (Ministry of Education College of Cyberspace Security, Beijing University of Posts and Telecommunications,Key Laboratory of Trustworthy Distributed Computing and Service (BUPT),Beijing,China) ,  Gao Yali (Ministry of Education College of Cyberspace Security, Beijing University of Posts and Telecommunications,Key Laboratory of Trustworthy Distributed Computing and Service (BUPT),Beijing,China) ,  Yuan Jie (Ministry of Education College of Cyberspace Security, Beijing University of Posts and Telecommunications,Key Laboratory of Trustworthy Distributed Computing and Service (BUPT),Beijing,China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2022  号： ICCECE  ページ： 859-862  発行年： 2022年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 反芻検出の分野のために,既存の一般的予訓練モデルの大部分は,深い学習または規則ベースの方法に基づいている。これらの方法は,訓練中の反芻データセットにおける単一トピックを選択し,選択したモデルのコーパスは,偽ニュース検出方向におけるデータと整合するのが難しい。本論文は,Baiduによって開発された「ERNIE」(Knowlege Enhance Semantic Reportation)と呼ばれる予訓練モデルを使用する。ERNIEは,統合マスクを通して知識とより長い意味依存性の依存性を潜在的に学習することができ,モデルをより一般化し,それは,反芻検出の方向を完全にマッチする,ニュース関連コーパスを含む。BiGRUの入力としてERNIEの出力を取り上げ,次に,注意層の入力としてBiGRUの出力を取り上げ,最終的に分類結果を得る。ERNIE-BiGRU-Attentモデルの精度は89.40%に達し,F1スコアは0.8837に達し,想起値は94.37%に達した。上記の値はCED-Datasetの結果に基づいており,それは同じデータセットの下で他のモデルの各々の指数より高かった。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 反芻 ,  *ニュース ,  コーパス
準シソーラス用語： フェイクニュース , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)