/Pref-FEND-master

机器学习大作业-Integrating Pattern- and Fact-based Fake News Detection via Model Preference Learning论文复现

Primary LanguageJupyter Notebook

Pref-FEND论文复现-机器学习大作业

  1. 姓名：郭惠洪。
  2. 基本说明：这个仓库为“Integrating Pattern- and Fact-based Fake News Detection via Model Preference Learning”这篇论文的复现工作。
  3. 这篇论文的相关官方信息:

Integrating Pattern- and Fact-based Fake News Detection via Model Preference Learning.

Qiang Sheng*, Xueyao Zhang*, Juan Cao, and Lei Zhong.

Proceedings of the 30th ACM International Conference on Information and Knowledge Management (CIKM 2021)

PDF / Poster / Code

  1. bert-base-cased获取：bert-base-cased获取。

数据集

论文原始实验数据集可以在“数据集”文件夹中看到，包括Weibo Dataset和Twitter Dataset。不过请注意，只有在提交了“Application to Use the Datasets for Pattern- and Fact-based Joint Fake News Detection”之后，您才能下载获取该数据集。

课程数据集（包括原始的和处理后的）存放在“Pref-FEND-master/dataset”中。不过，由于该数据集太大，故而没有上传到GitHub，您可以通过这个链接获取：机器学习课程数据集获取。

代码相关

Key Requirements

请参考requirements.txt。

准备工作

步骤1：Stylistic Tokens & Entities Recognition

对于原始数据集而言，这一步不是必需的，因为申请得到的数据集已经在json文件中提供了已识别的结果。

对于课程数据集而言，“dataset”文件夹中的“gossip”文件夹中存放了json文件，其中提供了课程数据集的识别结果。您也可以通过process.py来对新的数据集进行此准备工作。

步骤2：Tokenize

cd preprocess/tokenize

正如run.sh所示, 您需要运行:

python get_post_tokens.py --dataset [dataset] --pretrained_model [bert_pretrained_model]

步骤3：Heterogeneous Graph Initialization

cd preprocess/graph_init

正如run.sh所示, 您需要运行:

python init_graph.py --dataset [dataset] --max_nodes [max_tokens_num]

步骤4：Preparation of the Fact-based Models

注意，如果您不使用基于事实的模型作为Pref-FEND的一个组件，那么这一步就不是必需的。

Tokenize
cd preprocess/tokenize

正如run.sh所示, 您需要运行:

python get_articles_tokens.py --dataset [dataset] --pretrained_model [bert_pretrained_model]
Retrieve by BM25
cd preprocess/bm25

正如run.sh所示, 您需要运行:

python retrieve.py --dataset [dataset]

步骤5：Preparation for some special fake news detectors

注意，如果您不使用“EANN-Text”或“BERT-Emo”作为Pref-FEND的一个组件，那么这一步就不是必需的。

EANN-Text
cd preprocess/EANN_Text

正如run.sh所示, 您需要运行:

python events_clustering.py --dataset [dataset] --events_num [clusters_num]
BERT-Emo
cd preprocess/BERT_Emo/code/preprocess

正如run.sh所示, 您需要运行:

python input_of_emotions.py --dataset [dataset]

Training and Inferring

cd model
mkdir ckpts

run_gossip.sh中列出了训练和推理步骤中的所有配置和运行脚本。例如，如果您想在GossipCop上运行“BiLSTM(基于模式的) +DeClarE(基于事实的)”，您可以运行:


# BiLSTM + DeClarE (Pref-FNED)
CUDA_VISIBLE_DEVICES=0 python main.py --dataset 'gossip' \
--use_preference_map True --use_pattern_based_model True --use_fact_based_model True \
--pattern_based_model 'BiLSTM' --fact_based_model 'DeClarE' \
--lr 1e-4 --batch_size 4 --epochs 20 \
--save 'ckpts/BiLSTM+DeClarE_with_Pref-FEND'

之后结果将会被保存在“ckpts/BiLSTM+DeClarE_with_Pref-FEND”中。

实验结果

相关实验结果均保存在“Pref-FEND-main/model/ckpts”中。此外，课程大作业中也展示了相关实验结果。

Citation

@inproceedings{Pref-FEND,
  author    = {Qiang Sheng and
               Xueyao Zhang and
               Juan Cao and
               Lei Zhong},
  title     = {Integrating Pattern- and Fact-based Fake News Detection via Model
               Preference Learning},
  booktitle = {{CIKM} '21: The 30th {ACM} International Conference on Information
               and Knowledge Management, Virtual Event, Queensland, Australia, November
               1 - 5, 2021},
  pages     = {1640--1650},
  year      = {2021},
  url       = {https://doi.org/10.1145/3459637.3482440},
  doi       = {10.1145/3459637.3482440}
}