Kombination aus Convolutional Neural Networks und Deep Neural Networks zur Erkennung von Fake News

Heutzutage bevorzugen Menschen, die neuesten Nachrichten über soziale Medien zu verfolgen, da diese kostengünstig, leicht zugänglich und schnell verbreitet werden können. Allerdings können sie auch gefälschte, unzuverlässige oder qualitativ schlechte Nachrichten verbreiten, die absichtlich falsche Informationen enthalten. Die Verbreitung von Falschinformationen kann negative Auswirkungen auf Individuen und die Gesellschaft haben. Angesichts der gravierenden Natur dieses Problems haben Forscher bestmögliche Anstrengungen unternommen, Muster und Merkmale zu identifizieren, die gefälschte Nachrichten aufweisen können, um ein System zu entwickeln, das Falschinformationen vor der Veröffentlichung erkennen kann. In diesem Artikel beschreiben wir die Fake News Challenge Stage #1 (FNC-1)-Datenbank und geben einen Überblick über die wettbewerbsorientierten Ansätze zur Entwicklung eines Systems zur Erkennung von Falschinformationen unter Verwendung der FNC-1-Datenbank. Das vorgeschlagene Modell wurde anhand der FNC-1-Datenbank evaluiert. Ein solcher Datensatz gilt weltweit als offenes Problem und Herausforderung. Der Ablauf des Systems beinhaltet die Verarbeitung des Textes in den Spalten „Headline“ und „Body Text“ mittels verschiedener Techniken der natürlichen Sprachverarbeitung. Anschließend werden die extrahierten Merkmale mithilfe der Elbow-Truncation-Methode reduziert, und die Ähnlichkeit zwischen jedem Paar wird mit der Methode der weichen Kosinus-Ähnlichkeit ermittelt. Die neuen Merkmale werden anschließend in tiefe Lernverfahren basierend auf CNN und DNN eingespeist. Das vorgeschlagene System erkennt alle Kategorien mit hoher Genauigkeit, mit Ausnahme der Kategorie „Disagree“. Insgesamt erreicht das System eine Genauigkeit von bis zu 84,6 % und wird damit im Vergleich zu anderen wettbewerbsorientierten Studien zu diesem Datensatz auf Platz zwei eingestuft.