摘要： 基于证据的虚假新闻检测需要从互联网中检索出多个证据以验证新闻的真实性。虽然目前的方法取得了良好的性能，但现有方法没有考虑从互联网检索到的无关证据对模型的负面影响，对证据文本中噪音信息的处理不够完善，这些方法忽略了新闻的情感极性对新闻真实性的影响。为了解决这些问题，提出了一个情感感知增强的多粒度过滤虚假新闻检测，称为 ＥＭＧＦＮＤ（ｅｍｏｔｉｏｎｐｏｌａｒｉｔｙｐｅｒｃｅｐｔｉｏｎｍｕｌｔｉｇｒａｎｕｌａｒｉｔｙｆｉｌｔｅｒｆａｋｅｎｅｗｓｄｅｔｅｃｔｉｏｎ）。对新闻与证据进行图结构建模聚合新闻和证据文本信息，通过多粒度过滤获得精细的证据信息，通过新闻情感感知的注意力机制对新闻和证据进行交互。在 Ｓｎｏｐｅｓ和 ＰｏｌｉｔｉＦａｃｔ２个公开数据集上进行了多次实验，结果表明：模型性能优于基线模型。

关键词: 虚假新闻检测；图神经网络；情感分析；文本分类；图结构学习

中图分类号: 

• ＴＰ３９１