基于ensemble的高性能深度学习模型用于假新闻检测
Mohammed E Almandouh1,2, Mohammed F Alrahmawy3,4,5, Mohamed Eisa6
1Portsaid University, Portsaid, Egypt. mmandouh@himc.psu.edu.eg.
Scientific reports
|November 4, 2024
概括
该Bi-GRU-Bi-LSTM模型擅长检测阿拉伯假新闻,实现高准确性和F1分数. 这项研究通过改进自动化假新闻检测系统,推动了全球打击错误信息的斗争.
科学领域:
- 自然语言处理自然语言处理.
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 社交媒体促进了全球沟通和新闻传播,但也带来了广泛错误信息的风险.
- 自动虚假新闻检测对于减轻在线虚假信息的负面影响至关重要.
研究的目的:
- 调查和比较机器学习,深度学习和集体方法用于阿拉伯假新闻检测.
- 评估混合深度学习模型的有效性,包括基于变压器的架构.
主要方法:
- 使用机器学习和深度学习模型的FastText词嵌入.
- 实现和优化了变压器模型 (BERT,XLNet,RoBERTa) 和混合模型 (CNN-LSTM,RNN-CNN,RNN-LSTM,Bi-GRU-Bi-LSTM) 的使用.
- 采用了两个阿拉伯语数据集 (AFND和ARABICFAKETWEETS) 与文本预处理.
主要成果:
- Bi-GRU-Bi-LSTM混合模型在所有评估指标上表现出卓越的性能.
- 在两个数据集上实现了高精度,回忆,F1分数和准确性,结果高达0.99.
结论:
- 该Bi-GRU-Bi-LSTM模型显著优于其他阿拉伯假新闻检测方法.
- 这项研究为增强自动化错误信息检测提供了一个强大的框架,并鼓励多语言扩展.
