Mar, 2024

利用双向门控循环单元和深度学习技术增强孟加拉虚假新闻检测

PDF
TL;DR针对孟加拉语中的虚假新闻检测，本研究基于大规模数据集，使用了多种深度学习模型，包括双向 GRU 模型、LSTM 模型、1D 卷积神经网络模型以及混合架构模型，通过全面试验证实了这些模型在识别孟加拉语虚假新闻方面的有效性，其中双向 GRU 模型的准确率高达 99.16%。研究结果强调了数据集平衡的重要性，以及对检测过程进行不断改进的必要性，为使用有限资源创建孟加拉语虚假新闻检测系统并为未来的改进工作奠定了基础。
fake newsbangladeep learning modelsdataset balancefake news detection
发现论文，激发创造
  • 一种用于假新闻检测的双向 LSTM 方法

    本研究使用双向 LSTM 算法对一定数量的外文新闻网站和报纸进行数据收集，在训练数据上达到 84% 的模型准确度和 62.0 的 F1 宏平均得分，以确定新闻真假。

    Jun, 2022

  • BanFakeNews: 用于检测孟加拉语假新闻的数据集

    本文提出了一个可用于建立自动检测低资源语言（如孟加拉语）虚假新闻系统的标注数据集，同时提供了数据集分析和基准系统，采用传统语言特征和神经网络技术，为防止虚假信息传播建立技术贡献。

    Apr, 2020

  • 使用半监督生成对抗网络检测孟加拉虚假评论

    该研究使用半监督生成式对抗网络 (GAN) 探究预训练语言模型微调在少量带有注释数据的情况下，分类孟加拉虚假评论和真实评论的潜力。实验结果表明，即使只有 1024 个标注样本，使用半监督 GAN 可在分类孟加拉虚假评论方面取得 83.59% 的准确率和 84.89% 的 f1 值，优于其他预训练语言模型大约 3%、4% 和 10% 的准确率。该研究提出的方法对于缺乏标记数据的分类问题，尤其是对于像孟加拉语这样的低资源语言，可能会有所帮助。

    Apr, 2023

  • 使用手动和自动标注的机器学习和深度学习方法用于孟加拉语新闻分类

    本文介绍了几种机器和深度学习方法，应用于孟加拉语新闻分类。这些方法包括逻辑回归、支持向量机、卷积神经网络以及词向量等，同时提出了自动标记的方法，并在孟加拉语最大的新闻分类数据集 Potrika 上评估了它们的性能。

    Oct, 2022

  • 基于双向门控循环单元（GRUs）模型的文本情感分析与分类

    本研究探讨了在自然语言处理领域中文本情感分析和分类的重要性，并提出了一种基于双向门控循环单元（GRUs）模型的新方法。研究首先分析了包含六个情感标签的词云模型的文本，然后进行了数据预处理，包括删除特殊符号、标点符号、数字、停用词和非字母部分。随后，将数据集划分为训练集和测试集，并通过模型训练和测试，发现在训练过程中验证集的准确度从 85% 提高到 93%，增加了 8%；同时，验证集的损失值从 0.7 降低到 0.1，并趋于稳定，模型逐渐接近实际值，能够有效分类文本的情感。混淆矩阵显示模型对测试集的准确度达到 94.8%，精确度为 95.9%，召回率为 99.1%，F1 分数为 97.4%，证明该模型具有良好的泛化能力和分类效果。总之，本研究展示了一种有效的文本情感分析和分类方法，并取得了令人满意的结果。

    Apr, 2024

  • 使用循环神经网络实现英文至孟加拉语机器翻译

    本文描述了一种利用循环神经网络实现英语到孟加拉语机器翻译的系统架构，采用了基于知识的上下文向量来映射英语和孟加拉语单词，并且通过使用不同的激活函数，分别在编码器层利用线性激活函数，在解码器层采用了 tanh 激活函数。其中，GRU 比 LSTM 表现更优，采用 Softmax 和 Sigmoid 激活函数的注意力层优于之前的最先进系统。

    Jun, 2021

  • 改善孟加拉语假新闻检测性能的方法：平衡处理和模型堆叠

    本文介绍了多种解决不平衡数据集问题的方法，同时提出了一种能够在数据不平衡时提高性能的技术，并将其应用于 BangFakeNews 数据集，结果表明使用数据操纵技术，如 SMOTE，可以获得 93.1% 的 F1 分数，而使用非数据操纵方法，如 Stacked Generalization，则可以获得 79.1% 的 F1 分数。

    Mar, 2022

  • 利用注意力机制循环神经网络在社交媒体上检测孟加拉仇恨言论

    通过使用编码器和解码器技术（encoder decoder），作者们提出了一种基于机器学习的模型来检测社交媒体中孟加拉语言使用者的仇恨言论。该模型使用了 1D 卷积层来提取和编码本地特征，并使用了注意机制、LSTM 和 GRU 解码器来预测仇恨言论的类别。经过评估，最佳的预测精度达到了 77%。

    Mar, 2022

  • 使用双向 LSTM 检测虚假工作职位

    本文采用双向 LSTM 模型结合数字和文本特征鉴别虚假的招聘广告，取得了 0.91 的 ROC AUC 和 98.71% 的准确率，展现了在在线招聘市场中广泛应用的潜力。研究结果为开发实用工具以及应对网络招聘诈骗提供了借鉴，同时探讨了所采用方法的挑战，未来研究方向和伦理道德方面的考虑。

    Apr, 2023

  • 通过双向 LSTM 模型进行作者归属的 ChatGPT 新闻检测

    该研究使用 ChatGPT 的人工智能模型，通过自然语言处理技术建立了一个能够识别 ChatGPT 所写的新闻文章的作者鉴定模型，其中 LSTM 神经网络模型表现最佳，对测试集数据达到 91.57％的准确率。

    Oct, 2023