Dissertação
Combining Similarity Features and Deep Representation Learning for Stance Detection in the Context of Checking Fake News EVALUATED
Neste trabalho, são abordadas técnicas para auxiliar a deteção de notícias falsas. Concretamente, esta dissertação propõe uma abordagem para resolver o problema da deteção automática de postura (stance detection), tendo como base o problema de inferência em língua natural. Em ambas as tarefas, o desafio é prever o tipo de relação entre dois pedaços de texto. No caso da tarefa de deteção de postura, esta previsão é feita através de uma rede neuronal que combina word embeddings, unidades recorrentes, atenção neuronal, max-pooling, e extração de características externas. Esta rede neuronal explora também a natureza hierárquica dos dados à disposição, modelando cada frase como uma sequência de palavras, e um documento como uma sequência de frases. Uma das contribuições principais desta tese assenta na quantificação da utilidade da tarefa de inferência entre frases para a tarefa de deteção de postura. Tal hipótese é demonstrada inicializando os pesos da componente responsável por codificar frases na arquitetura neuronal da tarefa de deteção de postura, com os pesos da componente homóloga da tarefa de inferência. Para além disso, foram também realizados testes onde os modelos de inferência são utilizados na tarefa de deteção de postura para criar um alinhamento entre o título de um artigo e as várias frases que o compõem. Os resultados experimentais confirmam o contributo das componentes acima descritas. O melhor modelo atinge valores de exatidão de 83.38% na tarefa de deteção de postura proposta no contexto do Fake News Challenge, definindo um novo estado-da-arte nessa mesma tarefa.
outubro 31, 2018, 10:30
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Bruno Emanuel Da Graça Martins
Departamento de Engenharia Informática (DEI)
Professor Auxiliar