استفاده از روش خلاصه سازی با الگوریتم یادگیری عمیق برای تشخیص اخبار دروغین در شبکه های اجتماعی

تولید اخبار جعلی یک مشکل جدید نیست، بلکه یک مشکل به سرعت در حال رشد است. تغییر به سمت مصرف اخبار از طریق رسانه های اجتماعی یکی از محرک های انتشار اطلاعات گمراه کننده و عمدا اشتباه بوده است، زیرا علاوه بر استفاده آسان از آن، به ندرت نظارت بر صحت وجود دارد. با توجه به اثرات مضر چنین اخبار جعلی بر جامعه، تشخیص آنها اهمیت فزاینده ای پیدا کرده است. در این مقاله از قدرت مدلهای زبانی مبتنی بر ترانسفورماتور و مکانیسمهای توجه برای خلاصه سازی متن انتزاعی اخبار استفاده میکنیم. سپس از مدل خلاصه سازی متن به عنوان استخراجکننده ویژگی برای تشخیص اخبار جعلی استفاده میکنیم که در آن مقالات خبری قبل از طبقه بندی خلاصه میشوند و نتایج با طبقه بندی تنها با استفاده از متن اصلی خبر مقایسه میشوند. آزمایشهای گسترده روی چندین مجموعه داده بسیار متفاوت و در دسترس عموم نشان میدهد که روش پیشنهادی دقت تشخیص اخبار جعلی را تا ۹۶ درصد با استفاده از متاداده و ۹۳ درصد بدون استفاده از متاداده افزایش میدهد. جدای از مزایای استفاده از تکنیک های خلاصه سازی خودکار متن، ما همچنین دریافتیم که ترکیب اطلاعات زمینه ای به افزایش عملکرد کمک می کند.

کلیدواژه ها:

خلاصه انتزاعی ، نشانگر-مولد ، مکانیسم توجه ، ترانسفورماتور ، تشخیص اخبار جعلی