ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
CIVILICAWe Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

تشخیص شایعات در شبکه های اجتماعی با استفاده از معماری ترکیبی LSTM - CNN و ارائه ی روش جدید پیش پردازش داده ها

سال انتشار: 1399
کد COI مقاله: JR_ICI-4-1_003
زبان مقاله: فارسیمشاهد این مقاله: 10
فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 14 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله تشخیص شایعات در شبکه های اجتماعی با استفاده از معماری ترکیبی LSTM - CNN و ارائه ی روش جدید پیش پردازش داده ها

مریم خسروی - Malek-ashtar University of Technology
حسین شیرازی - Malek-ashtar University of Technology
کوروش داداش تبار - Malek-ashtar University of Technology
سید علیرضا هاشمی گلپایگانی - Amirkabir University of Technology

چکیده مقاله:

با توجه به جایگاهی که امروزه شبکه­ های اجتماعی در جوامع پیدا کرده ­اند، افراد بسیاری از این شبکه ­ها به منظور منتشر کردن عقاید و اطلاعات خود استفاده می ­کنند. یکی از چالش ­های امنیتی موجود در این شبکه ­ها، جلوگیری از حملات معنایی است. در حملات معنایی فرد مخرب قصد دارد تا با انتشار اطلاعات و شایعات نادرست در شبکه ­های اجتماعی، بر روی کاربران دیگر تاثیر بگذارد. بنابراین ایمنی افراد در این گونه شبکه­ ها به خطر می ­افتد. انتشار اطلاعات نادرست در مواقع بحرانی مانند جنگ یا انتخابات ممکن است، عواقب جبران ناپذیری برای یک اجتماع داشته باشد. از این رو در این پژوهش هدف اینست که بتوان شایعات از جمله شایعات فارسی را در شبکه ­های اجتماعی تشخیص داد. بدین منظور از یک معماری ترکیبی LSTM-CNN استفاده و برخلاف پژوهش ­های پیشین از نرخ یادگیری چرخشی بهره گرفته و روش جدیدی به منظورپردازش کردن داده ­ها قبل از ورود به شبکه برای بهبود نتایج ارائه شده­است. علاوه بر آن نیز برای رفع مشکلات مربوط به کمبود داده مدل BERT برای تشخیص شایعات فارسی هم مورد بررسی قرار گرفت. در نهایت با ارزیابی روش پیشنهادی مشخص شد که این روش به دقت مناسبی برای تشخیص شایعات و همین طور شایعات فارسی تنها با بررسی محتوا، دست یافته است.

کلیدواژه ها:

Deep learning, Preprocessing, Rumor detection, Social network, شبکه های اجتماعی, شایعه, یادگیری عمیق

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/1155177/

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
خسروی، مریم و شیرازی، حسین و داداش تبار، کوروش و هاشمی گلپایگانی، سید علیرضا،1399،تشخیص شایعات در شبکه های اجتماعی با استفاده از معماری ترکیبی LSTM - CNN و ارائه ی روش جدید پیش پردازش داده ها،،،،،https://civilica.com/doc/1155177

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1399، خسروی، مریم؛ حسین شیرازی و کوروش داداش تبار و سید علیرضا هاشمی گلپایگانی)
برای بار دوم به بعد: (1399، خسروی؛ شیرازی و داداش تبار و هاشمی گلپایگانی)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مدیریت اطلاعات پژوهشی

صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
نوع مرکز: دانشگاه دولتی
تعداد مقالات: 7,739
در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

به اشتراک گذاری این صفحه

اطلاعات بیشتر درباره COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.

پشتیبانی