ارایه یک روش جدید تشخیص اخبار جعلی در شبکه های اجتماعی با استفاده از آنالیز مولفه های اصلی و شبکه های مولد متخاصم

تشخیص اخبار جعلی در شبکه های اجتماعی به دلیل تاثیرات مخرب آن بر جوامع، به یکی از چالش های مهم در حوزه یادگیری ماشینی و داده کاوی تبدیل شده است. این پژوهش یک روش نوین برای تشخیص اخبار جعلی با استفاده از ترکیب تحلیل مولفه های اصلی (PCA) و شبکه های مولد متخاصم (GAN) ارائه می دهد. روش پیشنهادی شامل چهار مرحله اصلی است: پیش پردازش داده ها، کاهش ویژگی ها، استخراج ویژگی ها، و طبقه بندی. در مرحله پیش پردازش، داده ها با استفاده از روش هایی مانند نشانه گذاری، حذف کلمات توقف، و ریشه یابی، پاکسازی می شوند. سپس با استفاده از PCA، ویژگی های داده ها کاهش می یابد تا مدل از ویژگی های مرتبط تری برای آموزش استفاده کند. در نهایت، از GAN برای تولید داده های جعلی و بهبود فرآیند یادگیری مدل استفاده می شود. برای ارزیابی عملکرد روش پیشنهادی، از چهار مجموعه داده مختلف شامل Buzzfeed، GossipCop، ISOT و Politifact استفاده شده است. نتایج آزمایش ها نشان می دهد که روش پیشنهادی در مقایسه با روش های CreditRank و EchoFakeD، در معیارهای دقت، صحت و بازخوانی عملکرد بهتری دارد. میانگین دقت، صحت و بازخوانی به ترتیب برای روش پیشنهادی ۰.۹۱۷۵، ۰.۹۴۲۵ و ۰.۸۸ بوده است که نشان دهنده توانایی بالای مدل در تشخیص اخبار جعلی است. علت اصلی این بهبود عملکرد، استفاده از PCA برای کاهش نویز و ویژگی های غیرمرتبط و همچنین استفاده از GAN برای تقویت فرآیند یادگیری مدل با داده های جعلی است. این پژوهش نشان می دهد که ترکیب تکنیک های پیشرفته در پیش پردازش داده ها و استفاده از مدل های یادگیری عمیق می تواند به طور قابل توجهی عملکرد مدل های تشخیص اخبار جعلی را بهبود بخشد. در کارهای آتی، پیشنهاد می شود که مدل پیشنهادی بر روی شبکه های اجتماعی دیگر نیز ارزیابی شود و از تکنیک های پیشرفته تر برای بهبود فرآیند پیش پردازش و مدل سازی استفاده گردد.

کلیدواژه ها:

اخبار جعلی ، تحلیل مولفه های اصلی ، شبکه های مولد متخاصم ، یادگیری ماشینی ، شبکه های اجتماعی