机构名称：
¥ 1.0
摘要：如今可用的各种资源和应用程序使新闻快速增长；这使人们能够分享他们的意见，文章，新闻等。;不管他们拥有的真相百分比如何，这都使人们相信，为此目的，自动锅或假用户可以通过社交媒体和新闻平台发布或发布许多新闻。假新闻检测（FND）是二进制分类任务；这表明新闻是否正确，这涉及预测某些新闻文章被设计为具有欺骗性的概率。通常，出于政治和财务目的而产生的假新闻，例如影响总统选举或操纵股票市场。尽管已经进行了许多研究以将新闻视为虚假新闻，但对以阿拉伯语编写的新闻的信誉的评估仍处于早期阶段。在过去几年中，阿拉伯语的FND开始了更多的兴趣，许多检测方法具有某种能力，可以在多个数据集中检测假新闻。然后对有效检测模型的兴趣一直在增长；具体而言，用阿拉伯语却落后于其他语言的作品。在本文中，我们使用了深度学习模型，并应用了卷积神经网络和长期的短期记忆（CNN-BILSTM），并优化了随机梯度下降（SDG）；到称为AFND的阿拉伯语可访问数据集；指的是阿拉伯假新闻检测。我们基于现有的AFND数据集的实验结果表明了令人鼓舞和良好的性能；当我们达到87.7％的准确性时。或仅暗示。我们评估将假新闻视为分类问题之一的问题；即，我们的目标是将给定的新闻分类为可信或不可信；通常以可信度和质量的意义来定义信誉。关键字：假新闻检测，深度学习，双向长期记忆，卷积神经网络介绍，互联网已成为我们生活方式不可或缺的一部分。任何人都可以发表任何可以通过社交网络消费的内容的内容；随着传统信息频道的角色（例如报纸和电视节目如何收集和消费新闻）变得不那么突出，例如在“阿拉伯之春”中；社交媒体平台有至关重要的理由传播新闻和谣言，它被用作2011年阿拉伯世界各个革命的不同方面之间的交流工具。因此，许多科学家和专家一直致力于研究假新闻现象。通过提供解决方案来检测与事实现实不相容的假误导性信息（Gabrielle等，2022）。fnd是立场检测问题的一种部分形式；由于立场检测被定义为与社交媒体分析，信息检索和自然语言处理相关的问题，该问题的重点是检测一个从其已发表的文本中检测到一个人的态度，to诸如思想，概念或事件（例如在已公开的文本或隐含文本中明确编写）的特定目标。dl是机器学习的一部分，用于通过应用具有多层的人工神经网络来建模和解决复杂问题。最近，对确定这种现象的有效检测技术的兴趣一直非常快，许多模型在机器学习算法方面在所有数据集中都表现出色。特别是基于深度学习的方法。它涉及使用需要大量数据才能有效训练的算法，并且可以
使用机器学习的假新闻检测的立场分类
主要关键词
相关文件推荐
