使用选择性功能和FakeNET进行假新闻立场检测

科学领域:

• 计算语言学 计算语言学
• 人工智能的人工智能
• 自然语言处理自然语言处理.

背景情况:

• 在线信息的快速传播需要自动化假新闻检测系统.
• 有效的假新闻检测依赖于强大的功能工程和维度减少.
• 现有的方法在性能和计算复杂性方面面临挑战.

研究的目的:

• 开发一个用于及时判断假新闻的自动化系统.
• 评估用于虚假新闻检测的特征维度减小技术 (Chi-square和PCA).
• 评估混合卷积神经网络 (CNN) 和长短期记忆 (LSTM) 模型 (FakeNET) 的性能,使用减少的特征集.

主要方法:

• 使用了一个混合神经网络架构:FakeNET (CNN-LSTM).
• 采用了奇方位和主要组件分析 (PCA) 来减少特征维度.
• 从虚假新闻挑战 (FNC) 的多类数据集 ("同意"",不同意"",讨论"",无关") 上训练和评估模型.

主要成果:

• 主要成分分析 (PCA) 与奇方位和最先进的方法相比,实现了0.978的更高准确度.
• 拟议的方法显示了0.04的准确度和0.20的F1得分.
• PCA和Chi-square提供了具有非线性特征的上下文特征,以改进假新闻识别.

结论:

• 使用PCA减少特征维度是提高虚假新闻检测性能的有效方法.
• 结合PCA,FakeNET架构提供了一个强大的,计算效率高的解决方案来分类新闻立场.
• 该研究强调了适当的特征选择对于构建准确的自动化假新闻检测系统的重要性.