用大模型解释增强情绪改写假新闻检测

假新闻的传播可能会造成严重的社会后果。现有的假新闻检测方法主要关注文体变化或结合解释等外部信息。然而，新闻文章经常在不同的情感背景下被重写，同时保留其潜在的事实主张，这可能会影响检测模型的稳健性。在这项工作中，我们研究了在保留事实的情绪变化下的假新闻检测。为了研究这个问题，我们构建了情感重写的测试集，并从原始新闻文章中生成解释作为稳定的背景知识。然后，我们提出了一个门控交叉注意力（GCA）框架，该框架自适应地将情感重写的新闻与相应的解释相结合，使模型能够专注于信息丰富的解释内容，同时减少情感重构造成的潜在不匹配。在 PolitiFact、GossipCop 和 LUN 上的实验表明，该方法在 PolitiFact 和 LUN 上的多种情绪条件下取得了显着的改进，同时保持了 在 GossipCop 上的竞争表现。我们进一步分析不同情绪条件下解释引导和门控机制的效果。我们的代码和数据可在以下位置获得：此 https URL gca 。