针对新出现事件往往难以在短时间内收集训练模型需要的高质量相关标注数据，导致模型泛化性能较差问题，提出了MDN方法，利用基于模型无关的元学习算法（Model-Agnostic
Meta-Learning, MAML）将模型的训练分为事件自适应阶段与特定事件检测阶段，使模型可以利用已有的知识进行学习，再根据新任务调整参数。并构建了多模态特征提取器提取推文文本与图像的高维特征进行结合。
MDN算法基于Python3.6+环境下的numpy、torch、argparse、sklearn、gensim等依赖库开发。算法输入为历史假消息事件与新发生假消息事件帖子构成的文本及图像向量，输出为新发生假消息事件帖子的真假标签。该算法支持在Weibo数据集上进行社交媒体假消息的检测。此外在代码的实现过程中，参考了Finn等[22]、Wang等[23]等第三方开源资源。
算法名称 | 基于元迁移学习的社交媒体假消息检测算法
（Meta Detection Network for Fake News Detection, MDN）
|
算法接口
| python3 MDN.py
|
输入
| 历史假消息事件与新发生假消息事件帖子构成的文本及图像向量
|
输出
| 新发生假消息事件帖子的真假标签
|
支持数据集
| Weibo Dataset
|
依赖库
| Python 3.6、numpy、torch、argparse、sklearn、gensim
|
参考资源
| Finn等、Wang等
|
gitlab链接：MDN· GitLab (crowdhmt.com)
