一个混合深度学习框架用于使用LSTM-CGPNN和元启发优化进行假新闻检测
Ramesh Kumar Ayyasamy1, Chinnasamy Ponnusamy2, Kovvuri N Bhargavi3
1Faculty of Information and Communication Technology, Universiti Tunku Abdul Rahman, Kampar, Perak, Malaysia. rameshkumar@utar.edu.my.
Scientific reports
|November 25, 2025
概括
这项研究引入了一种混合深度学习模型,用于有效地检测社交媒体上的假新闻. 这种新的方法显著提高了识别欺骗性内容的准确性和稳定性.
科学领域:
- 人工智能的人工智能
- 计算机科学 计算机科学
- 社交媒体分析 社交媒体分析
背景情况:
- 社交媒体平台上假新闻的普遍传播给公众的信任和知情决策带来了重大挑战.
- 传统的假新闻检测方法经常与在线信息的复杂性和数量作斗争.
- 迫切需要先进,强大和可扩展的解决方案来识别和减轻错误信息的影响.
研究的目的:
- 开发和评估混合深度学习模型,以改进假新闻检测.
- 通过整合多种先进技术,提高虚假新闻识别的准确性和稳定性.
- 提供可扩展和高效的解决方案,用于实际应用,用于打击错误信息.
主要方法:
- 一个混合深度学习框架,将长短期记忆 (LSTM) 网络用于特征提取和卷积高斯感知子神经网络 (CGPNN) 用于分类.
- 整合火优化 (MFWO) 算法以优化模型超参数.
- 在基准数据集 (ISOT,Fakeddit,BuzzFeedNews,FakeNewsNet) 上使用TF-IDF文本表示和标准化预处理进行实验验证.
主要成果:
- 拟议的混合型号实现了高性能,高达98%的准确性和95%的F1得分.
- 与现有的基于变压器和图形神经网络模型相比,观察到具有统计学意义的改善 (p < 0.05).
- 该模型表现出卓越的性能,比最先进的方法提供3-8%更高的精度和F1分数.
结论:
- 混合深度学习框架有效地捕捉了虚假新闻特征的语言细微差别和文本异常.
- 开发的模型为大规模假新闻检测提供了强大,可扩展和高效的解决方案.
- 这项研究对社交媒体监控,数字新闻和反对错误信息的公众意识倡议具有实际意义.