阿拉伯语假新闻分类的新方法使用嵌入来自大型语言特征的CNN-LSTM合奏模型和可解释的AI模型

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:

• 假新闻的扩散需要强有力的信息质量管理.
• 现有的假新闻检测方法面临局限性,特别是在阿拉伯文中.

研究的目的:

• 开发和评估一个先进的框架,用于阿拉伯语假新闻检测.
• 通过深度学习和整体方法克服当前方法的局限性.

主要方法:

• 采用了深度学习模型,包括CNN,LSTM,EfficientNetB4,Inception,Xception,ResNet和ConvLSTM等.
• 提出了一个新的投票组合框架,将CNN和LSTM结合起来.
• 集成的ELMo词嵌入,将其上下文表示与GloVe,BERT,FastText和FastText子词进行比较.
• 使用LIME XAI技术进行特征贡献洞察和5倍交叉验证.

主要成果:

• 建议使用ELMo嵌入式投票组合实现了卓越的性能,准确度 (98.42%),精度 (98.54%),回忆 (99.5%) 和F1得分 (98.93%).
• 该框架展示了与BERT和RoBERTa等最先进的变压器架构相比的竞争性性能.
• 与变压器模型相比,实现了较短的推断时间和增强的解释性.

结论:

• 开发的框架为阿拉伯假新闻检测提供了高效和高效的解决方案.
• 该研究提供了可靠和可解释的文本分类解决方案,推进了虚假新闻检测领域.
• 调查结果强调了改善信息管理和打击错误信息的潜力.