В последние годы широкое распространение фейковых новостей в социальных сетях вызвало обеспокоенность по поводу их влияния на общественное мнение, доверие и принятие решений. В данной статье представляется гибридный подход глубокого обучения, который улучшает выявление фейковых новостей. Основная задача заключается в повышении точности обнаружения и устойчивости модели путем объединения сети длительной краткосрочной памяти (LSTM) для извлечения контекстных признаков с сверточной сетью вероятностного перцептрона (CGPNN) для классификации.
Для дальнейшей оптимизации производительности была интегрирована метаэвристическая алгория Moth-Flame Whale Optimization (MFWO) для настройки гиперпараметров. Экспериментальная оценка была проведена на четырех контрольных наборах данных: ISOT, Fakeddit, BuzzFeedNews и FakeNewsNet с использованием стандартных техник предварительной обработки и текстового представления на основе TF-IDF.
Результаты показывают, что предложенная модель значительно превосходит существующие методы, достигая до 98% точности и 95% F1-меры, а также статистически значительных улучшений (p < 0.05) по сравнению с моделями на основе трансформеров и графовых нейронных сетей. Эти результаты свидетельствуют о том, что гибридная структура эффективно захватывает лингвистические паттерны и текстовые аномалии в обманчивом контенте. Предложенный метод предлагает масштабируемое и эффективное решение для обнаружения фейковых новостей с практическими приложениями в мониторинге социальных сетей, цифровой журналистике и кампаниях по повышению осведомленности населения.
Введение
Фейковые новости существовали задолго до появления цифровых технологий, при этом преднамеренное распространение ложной информации берет начало с древних времен. Однако распространение интернет-технологий и вычислительных возможностей коренным образом изменило ландшафт обмена информацией. Современные цифровые платформы, особенно социальные сети, создали беспрецедентные возможности для генерации и распространения контента с минимальными барьерами для входа. Информационная революция привела к демократизации доступа к информации, однако также позволила быстро распространять как подлинный, так и ложный контент. Замена традиционных медиа-каналов социальными сетями в качестве основных источников информации привела к быстрому распространению вводящего в заблуждение контента.
Ограничения и вызовы
Реакция на ложную информацию требует немедленного внедрения эффективных охранных мер. Внедрение полных систем обнаружения сталкивается с многочисленными техническими препятствиями из-за ссылочных наборов данных, паттернов потребления и процессов проверки. К сожалению, точность обнаружения фейковых новостей остается устоявшейся проблемой, что вызывает постоянные исследования для поиска более эффективных методов.
Методология
Наша методология использует модульный подход, состоящий из четырех компонентов для обнаружения фейковых новостей на социальных платформах, интегрируя глубокое обучение с метаэвристическими техниками. Архитектура включает в себя слои коды, извлечения признаков, свертки и классификации. Мы применяем алгоритм MFWO для оптимизации модели и повышения производительности классификации.
Результаты и выводы
Эксперименты подтверждают, что предложенный гибридный подход комбинирует преимущества различных методов для улучшения точности классификации, обеспечивая более эффективное решение проблемы фейковых новостей. Авторы показывают, как гибридная структура значительно превышает существующие подходы, что открывает новые возможности для исследовательской деятельности и практического применения в области обнаружения фейковых новостей.
==> Хотите узнать про автоматизации на n8n? — Здесь основные курсы n8n, вы научитесь автоматизировать бизнес-процессы! <==
