عنوان

یک رویکرد جدید با شبکه عصبی عمیق برای تشخیص موضوع در توییتر

شماره

پ۲۷۶۶۴

زبان متن نوشتاري يا گفتاري و مانند آن

per

عنوان اصلي

یک رویکرد جدید با شبکه عصبی عمیق برای تشخیص موضوع در توییتر

نام نخستين پديدآور

سودابه حبیبیان

نام ناشر، پخش کننده و غيره

برق و کامپیوتر

تاریخ نشرو بخش و غیره

۱۴۰۱

نام خاص و کميت اثر

۱۱۰ص.

مواد همراه اثر

سی دی

جزئيات پايان نامه و نوع درجه آن

کارشناسی ارشد

نظم درجات

مهندسی کامپیوتر گرایش هوش مصنوعی و رباتیکز

زمان اعطا مدرک

۱۴۰۰۱/۰۶/۲۸۱۱

متن يادداشت

در این تحقیق، تشخیص موضوع در متن توییتر انجام خواهد شد. با توجه به شیوع اخبار جعلی، تشخیص موضوع می‌تواند کمک به سزایی در کاهش داده‌های نادرست داشته باشد. با توجه به حضور افراد در شبکه‌های اجتماعی استفاده از تشخیص موضوع می‌تواند کمک بسزایی در خودکار‌سازی تشخیص موضوع داشته باشد.مثلاً برای یک پیام جعلی در مورد واکسن کرونا می‌توان با تشخیص موضوع از انتشار چنین مطالبی جلوگیری کرد. در شبکه‌های اجتماعی مانند اینستاگرام می‌توان با جلوگیری از پیام‌های نژادپرستانه، مطالب نامطلوب را حذف کرد. تاکنون روش‌های مختلفی برای این کار استفاده شده است که روش‌های پیاده‌سازی شده دارای دقت پایینی می‌باشند و در حدود 80% می‌باشد. مثلاً برای تشخیص اخبار جعلی در مورد بیماری COVID-19 یا اطلاعات نظامی روش‌های مبتنی بر اندیس‌گذاری کلمات استفاده شده است. در این تحقیق برای افزایش دقت از یادگیری عمیق مبتنی بر فیوژن استفاده خواهد شد که در سطح کلاسیفایر مورد استفاده قرار خواهد گرفت.در ابتدا کلمات موجود در متن با اندیس‌گذاری به عدد تبدیل خواهد شد و این داده‌ها برای تشخیص به شبکه عصبی یادگیری عمیق داده می‌شود. در این تحقیق برای افزایش دقت از چند نوع شبکه عصبی یادگیری عمیق شامل CNN, LSTM استفاده خواهد شد و سپس نتایج آنها با یکدیگر ترکیب خواهد شد تا دقت نهایی بالاتر رود. این روش Fusion نام دارد که دارای انواع مختلفی است. در این تحقیق از نوع فیوژن تأخیری استفاده خواهد شد. در این تحقیق از دیتاست twitter برای آموزش شبکه عصبی عمیق استفاده خواهد شد. هر پیام شامل برچسب جعلی و درست می‌باشد. در پایان دقت نهایی 92.82% محاسبه شد.

متن يادداشت

In this research, the topic will be identified in the text of Twitter. Considering the prevalence of fake news, identifying the issue can help significantly in reducing false data. Considering the presence of people in social networks, the use of subject detection can help greatly in automating the subject detection.For example, for a fake message about the corona vaccine, it is possible to prevent the publication of such content by identifying the issue. In social networks like Instagram, you can remove unwanted content by preventing racist messages. So far, various methods have been used for this task, and the implemented methods have low accuracy and are around 80%. For example, methods based on word indexing have been used to detect fake news about the COVID-19 disease or military information. In this research, fusion-based deep learning will be used to increase accuracy, which will be used at the classifier level.At first, the words in the text will be converted into numbers by indexing, and this data will be given to the deep learning neural network for recognition. In this research, several types of deep learning neural networks including CNN, LSTM will be used to increase the accuracy, and then their results will be combined to increase the final accuracy. This method is called Fusion, which has different types. Delayed fusion type will be used in this research. In this research, the twitter dataset will be used to train the deep neural network. Each message contains fake and True tags. Terminally the final accuracy calculated 92.82%.

عنوان گونه گون

A new Approach with Deep Neural Network for Topic Detection in twitter

عنصر شناسه اي

حبیبیان‏،

ساير عناصر نام

‏سودابه

کد نقش

تهیه کننده

عنصر شناسه اي

بالافر‏،

عنصر شناسه اي

‏فیضی،

ساير عناصر نام

محمد علی

ساير عناصر نام

‏محمد رضا

تاريخ

استاد راهنما

تاريخ

استاد مشاور

عنصر شناسه اي

‏تبریز