دسته بندی اخبار جعلی با هدف بهبود دقت تشخیص با استفاده از مدل ترکیبی شبکه عصبی بازگشتی و دسته بند ترکیبی

در دنیای امروز روزانه با گسترش استفاده از رسانه های اجتماعی حجم عظیمی از داده ها به صورت غیر ساختار یافته تولید می شوند که این موضوع فرصت ها و چالش هایی را برای پردازش و تحلیل به منظور درک بهتر الگوهای پنهان ایجاد می کند. به همین دلیل، تشخیص اخبار جعلی توجه محققان را در سرتاسر جهان به خود جلب کرده است. برای این منظور و مقابله با مشکل تشخیص اخبار جعلی، مطالعات متعددی بر اساس روش های یادگیری تحت نظارت و بدون نظارت ارائه شده که به دلایل مختلفی مانند: انتخاب نادرست ویژگی ها، تنظیم ناکارآمد پارامترها و عدم تعادل در مجموعه داده ها با محدودیت هایی در دقت تشخیص اخبار جعلی مواجه هستند. در این مقاله یک مدل طبقه بندی ترکیبی ارائه شده است که در آن از شبکه یادگیری عمیق بازگشتی (RNN) برای استخراج ویژگی های پنهان انواع داده های خبری استفاده شده و سپس با استفاده از این ویژگی ها یک الگوریتم طبقه بندی کننده یادگیری جمعی جهت تشخیص اخبار جعلی ساخته می شود تا طبقه بندی نهایی انجام گیرد. بررسی نتایج شبیه سازی نشان دهنده درستی طبقه بندی و عملکرد بالای رویکرد پیشنهادی نسبت به سایر الگوریتم ها در تشخیص اخبار جعلی با دقت ۹۶.۰۷ درصد است.

کلیدواژه ها:

اخبار جعلی ، استخراج ویژگی ها ، الگوریتم یادگیری عمیق بازگشتی ، شبکه عصبی بازگشتی ، الگوریتم طبقه بندی کننده AdaBoost