ارائه رویکرد ترکیبی مبتنی بر یادگیری عمیق و یادگیری ماشین جهت تشخیص اخبار جعلی - مطالعه موردی اخبار فارسی در حوزه کرونا ویروس

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری مدیریت فناوری اطلاعات، گروه مدیریت فناوری اطلاعات،واحد قشم، دانشگاه آزاد اسلامی، قشم، ایران

2 استادیار گروه علوم کامپیوتر، واحد کاشان ، دانشگاه آزاد اسلامی، کاشان، ایران

3 استادیار گروه مدیریت، واحد تهران مرکز ، دانشگاه آزاد اسلامی ، تهران، ایران

4 دانشیار گروه مدیریت، واحد تهران مرکز ، دانشگاه آزاد اسلامی ، تهران، ایران

10.22091/stim.2021.7311.1640

چکیده

اطلاعات غلط یا تأیید نشده، دقیقاً مانند اطلاعات دقیق در وب منتشر می شوند، بنابراین ممکن است ویروسی شوند و بر افکار عمومی و تصمیمات آن تأثیر بگذارند. اخبار جعلی و شایعات به ترتیب محبوب ترین اشکال اطلاعات دروغ و تأیید نشده را نشان می دهند و برای جلوگیری از تأثیرات چشمگیر آنها باید در اسرع وقت کشف شوند.
هدف تحقیق: مسئله تشخیص اخبار جعلی به عنوان یک مسئله طبقه بندی در پردازش زبان طبیعی و متن کاوی شناخته می شود و هدف آن تفکیک و تشخیص اخبار جعل از واقعی از متن های استخراج شده و بهبود در دقت تشخیص اخبار جعلی مساله اصلی این تحقیق است. شبکه های عصبی کانولوشنی به عنوان یکی از مهم ترین مدل های یادگیری عمیق دقت بالایی را بر روی این مسائل بدست آورده اند. این شبکه ها شامل مشکلاتی مثل عدم در نظر گرفتن موقعیت کلمات را دارا هستند که مشکل مذکور با استفاده از شبکه کپسول برطرف گردیده و جهت به دست آوردن دقت و صحت بهینه دو مشکل پردازش سنگین لایه های تمام متصل و فضای پارامتریک را با استفاده از الگوریتم XGBOOST و الگوریتم بهینه سازی ازدحام انبوه ذرات (PSO) پیشنهاد گردیده است.

کلیدواژه‌ها


عنوان مقاله [English]

Providing a Hybrid Approach Based on Deep learning And Machine Learning to Detect fake news - A Case Study of Persian News in the Field of COVID-19

نویسندگان [English]

  • Vahid Mottaghi 1
  • Mahdi Esmaeili 2
  • Ghasem Ali Bazaee 3
  • Mohammad Ali Afshar Kazemi 4
1 PhD Candidate in IT Management, Department of IT Management, Qeshm Branch, Islamic Azad University, Qeshm, Iran
2 Assistant Professor, Department of Computer Science, Kashan Branch, Islamic Azad University, Kashan, Iran
3 Assistant Professor, Department of Management, Central Tehran Branch, Islamic Azad University, Tehran, Iran.
4 Associate Professor, Department of Management, Central Tehran Branch, Islamic Azad University, Tehran, Iran
چکیده [English]

False or unconfirmed information is published on the web like accurate information, so it can become viral and influence public opinion and decisions. Fake news and gossip show the most popular forms of false and unverified information, respectively, and they should be detected as soon as possible to avoid significant effects.
Purpose of the research: The problem of detecting fake news is known as a classification problem in natural language processing and text mining, and its purpose is to distinguish fake news from real and extracted texts, and to improve the accuracy of detecting fake news is the main issue of this research. Convolutional neural networks, as one of the most important models of deep learning, have gained high accuracy on these issues. These networks include problems such as not considering the position of words, which is solved by using the capsule network, and in order to achieve optimal accuracy, two problems of heavy processing of all connected layers and reducing the parametric space using the algorithm XGBOOST and particle swarm optimization (PSO) algorithm are proposed

کلیدواژه‌ها [English]

  • Natural Language Processing
  • Text Classification
  • Capsule Neural Networks
  • Fake News Detection
  • Corona Virus Fake News
CAPTCHA Image