عنوان

Fake News Detection Using A Hybrid Deep Neural Network (CNN-BiLSTM+SVM)

Number

T27056

.Language of Text, Soundtrack etc

انگلیسی

Title Proper

Fake News Detection Using A Hybrid Deep Neural Network (CNN-BiLSTM+SVM)

General Material Designation

Dissertation

First Statement of Responsibility

Mohammad Mohammad Diea Hussein

Name of Publisher, Distributor, etc.

Electrical and Computer Engineering

Date of Publication, Distribution, etc.

1401

Specific Material Designation and Extent of Item

71p.

Other Physical Details

cd

Dissertation or thesis details and type of degree

M.S.

Discipline of degree

computer engineering - artificial intelligence

Date of degree

1400/11/11

Text of Note

Online news and social networking have become an alternative to paper magazines in spreading news. After using the Internet to publish political, social, and economic news articles, this allows many people, institutions, or parties to spread fake news, away from professional journalism in publishing real news. All this amount of news is challenging for users to see the credibility of an article or news story. We see social media as an open environment for publishing such fake news, which is difficult to identify, whether it is fake news or real news. In this thesis, a hybrid deep neural network model consisting of CNN-BiLSTM+SVM is presented to detect fake news. The model, with the data-set collected from Kaggle, forms a system for detecting fake news, with 171,989 news . The data set is made up of three categories: fake news, real news, neutral news, which neutral means that it is neither fake nor real. The methodology is divided into several phases including data collection and processing using NLP, Word-embedding and splitting dataset. The implementation phase of the proposed hybrid model, consists of a set of layers, represented by: (CNN, Bi-LSTM, Max pooling, Flatten, Dense, Full connection and SVM). The evaluation phase, in which, the results has been 94% Accuracy, Precision equals 99%, Recall equals 93% and F1-Score equals 96%. Compared to the results achieved by the researchers, it is shown that our proposed system is highly effective.

Text of Note

اخبار آنلاین و شبکه های اجتماعی به جایگزینی برای مجلات کاغذی در انتشار اخبار تبدیل شده اند. پس از استفاده از اینترنت برای انتشار مقالات خبری سیاسی، اجتماعی و اقتصادی، این امر به بسیاری از افراد، موسسات یا احزاب اجازه می دهد تا اخبار جعلی را به دور از قواعد روزنامه نگاری حرفه ای در انتشار اخبار واقعی منتشر کنند. در میان این حجم از اخبار برای کاربران بسیار چالش برانگیز است تا بر اعتبار یک مقاله یا داستان خبری صحه بگذارند. ما رسانه‌های اجتماعی را یک محیط باز برای انتشار چنین اخبار جعلی می دانیم که شناسایی جعلی بودن و واقعی بودن اخبار، دشوار است. در این پایان نامه، یک مدل شبکه عصبی عمیق ترکیبی متشکل از CNN-BiLSTM+SVM برای تشخیص اخبار جعلی ارائه می شود. این مدل با مجموعه داده جمع آوری شده از کاگل ، سیستمی برای تشخیص اخبار جعلی با ۱۷۱،۹۸۹ خبر تشکیل می دهد. مجموعه داده از سه دسته تشکیل شده است: اخبار جعلی، اخبار واقعی، اخبار خنثی. خنثی به این معنی است که نه جعلی است و نه واقعی. این روش به چندین فاز تقسیم می شود شامل جمع آوری و پردازش داده با استفاده از NLP، تعبیه کلمات و تقسیم مجموعه داده. فاز پیاده سازی مدل ترکیبی پیشنهادی، شامل مجموعه ای از لایه ها است که با موارد زیر نشان داده می شوند: (CNN، Bi - LSTM، ماکس پولینگ، مسطح‌سازی، متراکم‌سازی، تمام اتصال و SVM). در فاز ارزیابی مشخص شد که نتایج به دقت 94 درصد، صحت برابر با ۹۹ درصد، نرخ پوشش برابر با ۹۳ درصد و امتیاز F1 برابر با ۹۶ درصد دست یافته اند. سیستم پیشنهادی ما در مقایسه با نتایج به دست آمده توسط محققان دیگر بسیار موثر است.

Variant Title

تشخیص اخبار جعلی با استفاده از یک شبکه عصبی عمیق ترکیبی (CNN - BiLSTM + SVM)

Subject Term

Fake News, Artificial Neural Network (ANN), Bidirectional Long Short-Term Memory( Bi-LSTM), Convolutional Neural Network( CNN), Deep Learning (DL), Natural Language Processing (NLP), Support Vector Machine (SVM).

Subject Term

شبکه عصبی مصنوعی (ANN)، حافظه كوتاه مدت طولاني دوجهته (Bi - LSTM)، شبکه عصبی کانولوشن (CNN)، یادگیری عمیق (DL)، پردازش زبان طبیعی (NLP)، ماشین بردار پشتیبان (SVM).

Entry Element

Mohammad Diea Hussein,

Part of Name Other than Entry Element

Mohammad

Relator Code

Producer

Entry Element

Asadpour,

Entry Element

Zolfi ligvan,

Part of Name Other than Entry Element

Mohammad

Part of Name Other than Entry Element

Mina

Relator Code

Thesis advisor

Relator Code

Consulting advisor

Entry Element

Tabriz

Country

ایران

Agency

Central libraryof Tabriz

Call Number

ارشد پایاننامه QA76.M6 1401

Electronic name

Mohammad Mohammad Diea Hussein

Contact for access assistance

عبادی

e

TL

276903

a

Y