https://github.com/shibing624/fake-news-detector

Fake News Detection Competition
https://github.com/shibing624/fake-news-detector

nlp text-classification

Last synced: 28 days ago
JSON representation

Fake News Detection Competition

• Host: GitHub
• URL: https://github.com/shibing624/fake-news-detector
• Owner: shibing624
• License: apache-2.0
• Created: 2019-09-16T08:45:54.000Z (about 5 years ago)
• Default Branch: master
• Last Pushed: 2022-02-10T03:17:13.000Z (almost 3 years ago)
• Last Synced: 2024-10-23T03:40:35.251Z (29 days ago)
• Topics: nlp, text-classification
• Language: Python
• Size: 11.2 MB
• Stars: 8
• Watchers: 4
• Forks: 0
• Open Issues: 0
• Metadata Files:
  • Readme: README.md
  • License: LICENSE

Awesome Lists containing this project

README

        
# fake-news-detector

Fake News Detection Competition

# [Competition](https://biendata.com/competition/falsenews)

## 背景简介

互联网虚假信息正在威胁着全球互联网的安全，其在规模、传播速度、造假手段三个方面呈现快速增长。2018年顶级国际期刊《科学》指出，

在2016年美国总统大选期间样本选民平均每人每天要接触4篇假新闻；要传播至1500个选民，假新闻的速度是真实新闻的6-20倍。

研究认为互联网虚假新闻甚至影响了英国脱欧投票和2016年美国总统大选的结果。2018年底陆续出来的DeepFake造假技术（图像视频换脸）

和DeepNude造假技术（自动生成裸体照片）给各国政府带来了恐慌。国际咨询公司Gartner预测，到2020年，互联网虚假新闻将面临泛滥之势，

基于人工智能技术的造假能力将远超于虚假检测的能力。

这种现象引起了各国政府和社会群体的空前关切和担忧，其对国家安全、个人与企业声誉和媒体信任度带来了严重冲击。为此，2019年6月，

美国国会召开听证会，讨论DeepFake（深度伪造）技术的风险和对策。呼吁国家加强虚假信息检测技术的研发，以及虚假信息治理执法。

2019年8月，人民网舆情中心也发出了同样的呼吁，目前辟谣滞后造成“空窗期”内谣言广泛传播，造假手段不断更新让人工审核力不从心，

急需开展人工智能技术和人工审核结合的联合辟谣。

本次虚假新闻检测由中国科学院计算技术研究所，以及北京智源人工智能研究院共同举办，旨在促进互联网虚假新闻检测技术的发展，营造清朗的网络空间。

## 任务描述

为应对当前虚假新闻泛滥的现状，将虚假新闻带来的危害最小化，我们设立此赛题以促进对虚假新闻自动化检测方法的研究。针对虚假新闻的特点，我们设立了任务：

`虚假新闻文本检测`：文本是新闻信息的主要载体，对新闻文本的研究有助于虚假新闻的有效识别。具体任务为：给定一个新闻事件的文本，判定该事件属于真实新闻还是虚假新闻。

# Data format

[Data link](https://biendata.com/competition/falsenews/data/)，数据文件请从官网下载，比赛开放，注册即可下载。

虚假新闻文本检测任务中，训练集共包含38,471条新闻，其中包含真实新闻19,186条，虚假新闻19,285条。初赛测试集共4,000条，复赛测试集3,902条，真假新闻比例与训练集基本一致。

```

数据字段：

        id：新闻id，每条文本中id均不相同，唯一表征一条新闻；

        text: 新闻的文本内容；

        label: 取值为{0,1}，0表示真实新闻，1表示虚假新闻。

```