《跨媒体虚假新闻识别系统要求（征求意见稿）》.docx

T/BSIA00X-2024

1

跨媒体虚假新闻识别系统要求

1范围

本文件规范详细界定了跨媒体虚假新闻识别领域人工智能建模系统的系统架构、高级技术功能需求及精细化应用功能规范。

本文件适用于跨媒体环境下，针对虚假新闻识别任务，对人工智能技术建模系统及解决方案的数据预处理策略、高效算法设计原则、精细化模型训练流程、以及智能模型管理机制的全面要求，旨在为企业构建、优化、评估及验证跨媒体虚假新闻识别系统提供权威性指导与标准化依据。

2规范性引用文件

下列文件对于本文的应用是必不可少的。凡是注日期版本的引用文件，仅注日期版本适用本文件。凡是不注日期的引用文件，必威体育精装版版本(包括所有的修改版)适用本文件。

GB/T18030-2005信息技术中文编码字符集

GB/T20273-2019信息安全技术数据库管理系统安全技术要求GB/T41867-2022信息技术人工智能术语

GB/T42135-2022智能制造多模态数据融合技术要求

3术语和定义

3.1

虚假新闻falsenews

特指那些出于故意目的，旨在误导公众认知或歪曲客观事实的信息，其背后往往隐藏着推动特定政治立场、商业利益或社会舆论的动机。

3.2

跨媒体虚假新闻cross-mediafalsenews

指跨越多种媒体形态（包括但不限于文字、图片、视频、音频等）传播，利用多模态信息融合技术增强欺骗性的虚假新闻内容，这些新闻信息在不同平台间相互印证或混淆视听，加大了识别难度。

3.3

特征提取featureextraction

T/BSIA00X-2024

2

在跨媒体虚假新闻识别系统中，特指针对多模态数据（文字、图像、视频帧、音频片段等）进行深度分析和处理的过程，旨在从复杂的原始数据中高效提取出对于识别虚假新闻至关重要的特征信息，以支持机器学习模型更精准地理解和区分真实与虚假的新闻内容。

3.4

模型训练modeltraining

跨媒体虚假新闻识别系统中，采用特定领域的已知数据集对机器学习模型进行训练，通过精细调整模型参数，优化模型在识别多模态虚假新闻信息（包括文字、图片、视频、音频等）方面的准确性。

3.5

特征选择featureselection

针对跨媒体数据的复杂性，从原始多模态数据中精心挑选出与虚假新闻识别最为相关且最具判别力的特征集合，旨在降低模型训练成本、提高计算效率，并显著提升模型在跨媒体环境下的识别性能。

3.6

模型评估modelevaluation

采用严格独立的跨媒体测试数据集，对训练好的机器学习模型进行全面而细致的评估。评估过程不仅关注模型的总体准确性和稳定性，还深入分析模型在不同媒体形态下的表现差异，以确保模型在复杂多变的跨媒体虚假新闻环境中具备高度的鲁棒性和适应性。

3.7

准确率accuracy

在跨媒体虚假新闻识别任务中，模型准确地将虚假新闻样本与真实新闻样本区分开来的比例，反映了模型在复杂多模态数据环境下的整体判断性能。

3.8

召回率recall

针对所有实际被标记为虚假新闻的样本，跨媒体虚假新闻识别模型成功识别并标记为正例（即虚假新闻）的比例，衡量了模型对虚假新闻的全面捕捉能力。

3.9

精确率precision

T/BSIA00X-2024

3

在所有被跨媒体虚假新闻识别模型预测为虚假新闻的样本中，实际确实为虚假新闻的比例，评估了模型在预测虚假新闻时的准确性，避免了对真实新闻的误报。

3.10

F1分数F1score

作为精确率与召回率的调和平均数，F1分数是衡量跨媒体虚假新闻识别系统性能的关键指标，它能够综合评估系统在正确识别虚假新闻与避免误报非虚假新闻之间的平衡能力。

3.11

交叉验证cross-validation

在跨媒体虚假新闻识别系统的评估中，交叉验证是一种高级且必要的技术。它通过将大规模、多样化的数据集有效划分为多个互不重叠的子集，并循环使用每个子集作为独立的测试集，剩余部分作为训练集，从而确保系统在不同数据分布上的泛化能力和稳定性，避免了对单一数据集的过拟合现象。

4系统架构

4.1系统设计

跨媒体虚假新闻识别系统架构由平台层和应用层构成（见图1）。平台层作为基础，提供了数据的导入导出、预览探索、预处理、特征工程、算法选择、模型培训与评估、模型管理、模型市场以及工作流调度等核心功能。这些功能构成了系统运行的基石，为上层应用提供了强大的数据处理和模型管理能力。应用层建立在平台层之上，专注于虚假新闻识别的具体应用，包括事件识别、事件预警、智能发现与预警以及分析决策等核心应用功能。这一层直接面向用户，提供了直观的界面和智能的分析工具，帮助用户快速识别和响应虚假