19859

17152

كارشناسي ارشد

ماده چگال

اصفهان : دانشگاه صنعتي اصفهان

1403

شش،65ص.:مصور،جدول،نمودار

1403/07/29

كتابنامه

فيزيك

فيزيك

1403/08/02

23078571

ميزان اطلاعات به اشتراك گذاشته در اينترنت به ويژه رسانه‌هاي مبتني بر وب به طور منظم در حال افزايش است. دسترسي آسان و گسترش سريع داده‌ها از طريق شبكه‌ها و رسانه‌هاي اجتماعي باعث شده است كه تمايز بين اطلاعات جعلي و واقعي كار آساني نباشد. امروزه بيشتر كاربران گوشي‌هاي هوشمند تمايل دارند اخبار را در رسانه‌هاي اجتماعي بخوانند. اخبار در رسانه‌هاي اجتماعي به طور صحيح تاييد اعتبار نمي‌شوند و اين امر زمينه‌اي براي پخش اطلاعات غلط شده است . يكي از روش‌هاي مورد استفاده براي تشخيص اخبار جعلي استفاده از شبكه‌هاي عصبي است كه با آموزش دادن اين شبكه‌ها با استفاده از خبرها مي‌توان آن‌ها را در تشخيص جعلي بودن اخبار توانمند كرد. يك نمونه از اين شبكه‌ها، شبكه حافظه طولاني كوتاه مدت است. در اين پروژه شبكه حافظه طولاني كوتاه مدت بر روي داده‌هاي تشخيص اخبار جعلي ISOT پياده سازي شده است .اين شبكه 98% موفق به تشخيص درست اخبار جعلي شده است. اين مدل با مدل‌هاي درخت تصميم ،رگرسيون لجستيك و مدل انكودر دو طرفه نمايشي از ترانسفورماتور نيز مقايسه شده است و نسبت به اين مدل‌ها عملكرد بهتري داشته است. براي هر يك از مدل‌ها ماتريس سردرگمي و دقت عملكرد و امتياز F1 محاسبه شده است. همچنين منحني مشخصه عملكرد نيز براي همه مدل‌ها رسم شده است. دقت عملكرد و امتياز F1 براي مدل حافظه طولاني كوتاه مدت به ترتيب 99% و98% بدست آمده است.

The amount of information shared on the Internet, especially web-based media, is regularly increasing. The easy access and rapid spread of data through networks and social media has made it difficult to distinguish between fake and real information. Today, most smartphone users tend to read news on social media. News on social media is not properly verified and this has become a basis for spreading false information. One of the methods used to detect fake news is the use of neural networks, which can be empowered to detect fake news by training these networks using news. An example of these networks is the long short-term memory network. In this project, a long-short-term memory network has been implemented on the data. This network has succeeded in correctly detecting fake news by 98%. This model has also been compared with decision tree, logistic regression and BERT models and has performed better than these models. For each of the models, the confusion matrix and performance accuracy and F1 score have been calculated. ROC curve is also drawn for all models. The performance accuracy and F1 score for the long-short-term memory model are 99% and 98%, respectively.

كيوان آقابابائي ساماني

فرهاد فضيله

فرهاد شهبازي دستجرده , اسماعيل عبدالحسيني سارسري