主观报告使竞争性观点两极化。然而,帮助读者识别主观内容会导致更公正的讨论。为此,我们开发了对句子客观性进行分类的机器学习模型。我们贡献了一套从先前工作中整理的用于判断句子客观性的语言规则。我们还开发了一个包含从各种新闻来源检索的超过5000个句子的标记数据集。此外,我们在数据集上评估了传统机器学习分类模型和人工神经网络。表现最佳的模型卷积神经网络达到了85%的准确率和0.933的AUC。使用我们的主观-客观句子分类模型,我们实现了Fact-or-Fiction,这是一个端到端的网络系统,可在用户文本中高亮客观句子。Fact-or-Fiction提供额外信息,如相关网页链接和之前的相关提交。
研究问题 / 现实痛点
这篇论文在当前问题库中对应的问题线索。
当前问题库还没有收录这篇论文的问题与痛点。
暂无符合条件(≥60% 相似度)的相关论文
基于研究子主题与职业分类的 Jaccard 相似度(≥60%)
快捷操作
一眼看懂
fact_check论文快照
dataset
来源
CSCW
calendar_month
年份
2018
emoji_events
奖项
未标记奖项
group
作者
6 位作者
sell
研究子方向
—
work
职业/产业
—
article
内容状态
仅摘要
hub
相关论文
0 篇相关论文