دانلود مقاله یادگیری عمیق برای تشخیص اخبار جعلی در توییتر
چکیده
مقدمه
کار مرتبط
روش شناسی
نتایج
نتیجه گیری
منابع
Abstract
Introduction
Related work
Methodology
Results
Conclusions
References
چکیده
انتشار اخبار جعلی در پلتفرم‌های رسانه‌های اجتماعی موضوعی قابل توجه است، زیرا می‌توان از آن برای اطلاع‌رسانی نادرست به مردم یا گمراه کردن آنها استفاده کرد، که به ویژه در مورد رویدادهای سیاسی نگران‌کننده است. رویداد اخیر اعتراضات هنگ‌کنگ باعث طغیان پست‌های اخبار جعلی شد که در توییتر شناسایی شدند و سپس به سرعت حذف و در مجموعه‌های داده برای ترویج تحقیقات جمع‌آوری شدند. این مجموعه داده‌ها با تمرکز بر محتوای زبانی در کارهای قبلی برای طبقه‌بندی بین توییت‌هایی که اخبار جعلی و واقعی را با استفاده از الگوریتم‌های یادگیری ماشینی سنتی منتشر می‌کنند، استفاده شده‌اند (زرووپولوس و همکاران، در: کنفرانس بین‌المللی IFIP در مورد کاربردها و نوآوری‌های هوش مصنوعی، Springer، برلین، 2020). در این مقاله، فرآیند آزمایش بر روی مجموعه داده قبلی ساخته شده با استفاده از الگوریتم‌های یادگیری عمیق همراه با مجموعه متنوعی از ویژگی‌های ورودی، از متن خام تا ویژگی‌های دست‌ساز، گسترش می‌یابد. آزمایش‌ها نشان داد که الگوریتم‌های یادگیری عمیق بهتر از رویکردهای سنتی عمل می‌کنند و به امتیازات بالای 99.3٪ امتیاز F1 می‌رسند، با مدل چندزبانه پیشرفته XLM-RoBERTa که با استفاده از متن خام ترجمه‌نشده، بهتر از سایر الگوریتم‌ها عمل می‌کند. ترکیبی از هر دو الگوریتم یادگیری سنتی و عمیق امکان افزایش عملکرد از طریق دومی را فراهم می کند، در حالی که در مورد ساختار توییت از تفسیرپذیری اولی نیز بینشی به دست می آورد.
توجه! این متن ترجمه ماشینی بوده و توسط مترجمین ای ترجمه، ترجمه نشده است.
Abstract
The dissemination of fake news on social media platforms is an issue of considerable interest, as it can be used to misinform people or lead them astray, which is particularly concerning when it comes to political events. The recent event of Hong Kong protests triggered an outburst of fake news posts that were identified on Twitter, which were then promptly removed and compiled into datasets to promote research. These datasets focusing on linguistic content were used in previous work to classify between tweets spreading fake and real news using traditional machine learning algorithms (Zervopoulos et al., in: IFIP international conference on artificial intelligence applications and innovations, Springer, Berlin, 2020). In this paper, the experimentation process on the previously constructed dataset is extended using deep learning algorithms along with a diverse set of input features, ranging from raw text to handcrafted features. Experiments showed that the deep learning algorithms outperformed the traditional approaches, reaching scores as high as 99.3% F1 Score, with the multilingual state-of-the-art model XLM-RoBERTa outperforming other algorithms using raw untranslated text. The combination of both traditional and deep learning algorithms allows for increased performance through the latter, while also gaining insight regarding tweet structure from the interpretability of the former.
Introduction
Social media is now an integral part of people’s daily lives, providing their users with direct and borderless communication. At the same time, they are a source of information for current events that take place both domestically and globally. Nevertheless, many times a news item is not cross-referenced before it is disseminated to the public and, as a consequence, its validity is not guaranteed, which may be influenced by conspiracies, political interests and expediencies. Consequently, the phenomenon of spreading false news can be observed intensely and on a daily basis, making it necessary to address it, in order to protect values and ideals.
Conclusions
The tendency of people to use Internet technologies and, in particular, social media is undeniable. Their increasing popularity and the ever-evolving services and capabilities they offer have reinforced users’ preference for information from posts on social media. This new reality leads to a weakening of traditional measures and practices for the validity of news, which contributes to the spread of fake news. The phenomenon of fake news is heavily observed and has even concerned social media providers themselves, who advise users on ways to evaluate the news veracity.8