虚假堆:为有效地检测假新闻而构建的层次化的Tri-BERT-CNN-LSTM堆叠模型
Ashfia Jannat Keya1, Hasibul Hossain Shajeeb1, Md Saifur Rahman1
1Department of Computer Science and Engineering, Bangladesh University of Business and Technology, Dhaka, Bangladesh.
PloS one
|December 1, 2023
概括
FakeStack是一个新的深度学习模型,使用双向编码器转换器表示 (BERT) 和具有长短期记忆 (LSTM) 的卷积神经网络 (CNN) 准确识别假新闻. 它实现了高精度,在打击错误信息方面表现优于其他模型.
科学领域:
- 人工智能的人工智能
- 自然语言处理自然语言处理.
- 机器学习 机器学习
背景情况:
- 假新闻带来了重大的社会挑战,影响了论和决策.
- 现有的深度学习模型很难有效地利用上下文线索,并跳过连接来进行全面的假新闻检测.
- 需要先进的模型,可以利用上下文信息和数据传播来准确识别假新闻.
研究的目的:
- 提出和评估FakeStack,这是一种用于准确检测假新闻的新型深度学习模型.
- 解决当前模型在利用上下文信息和跳过连接方面的局限性.
- 增强自动虚假新闻识别系统的稳定性和有效性.
主要方法:
- 开发了FakeStack,这是一个深度学习模型,集成了预先训练的双向编码器变压器表示 (BERT) 嵌入式.
- 在FakeStack架构中集成了一个深度卷积神经网络 (CNN),具有跳过卷积块和长短期内存 (LSTM).
- 在一个英语假新闻数据集上训练并验证了模型,使用准确性,精度,回忆和F1分数来评估性能.
主要成果:
- 在英语数据集上,FakeStack取得了卓越的表现,准确率为99.74%,精度为99.67%,回忆率为99.80%,F1-score为99.74%.
- 该模型在额外的数据集上表现出强的性能,在LIAR上达到75.58%的准确性,在WELFake上达到98.25%的准确性.
- 对比分析显示了FakeStack在CNN,BERT-CNN和BERT-LSTM等基线模型上的优势.
结论:
- 通过其创新的架构,FakeStack显著推进了假新闻检测领域.
- 该模型的卓越性能凸显了结合BERT,CNN与跳过连接和LSTM的有效性.
- 这项研究强调了先进的深度学习技术在打击错误信息传播和促进可靠信息传播方面的潜力.
