Sahte Haber Tespiti için Derin Bağlamsal Kelime Gömülmeleri ve Sinirsel Ağların Performans Değerlendirmesi

Yıl 2022, Cilt: 34 Sayı: 2, 733 - 742, 30.09.2022

Cengiz Hark

https://doi.org/10.35234/fumbd.1126688

Cited By: 1

Öz

Artan internet ve sosyal medya kullanımı ile sosyal medya ve online haber siteleri bilgi içeriklerini oluşturmada ve yaymada önemli kaynaklar haline gelmişlerdir. Ancak online bilginin miktarı ve üretilme hızından ötürü insan eliyle doğrulanması mümkün olamamaktadır. Dahası rejimler, hükümetler ve etnik kökenler denetimden uzak sahte haberlerin yıkıcı etkisine maruz kalmakta ve bu olumsuz etkilerin minimuma indirgenmesi için yeni teknolojilere ihtiyaç duyulmaktadır. Son yıllarda farklı doğal dil işleme görevlerinde ön-eğitimli modeller başarı ile kullanılmaktadır. Derin sinir ağı ve kavramsal kelime gömülmelerinin birlikte kullanılması durumunda hangi sınıflandırıcının daha verimli olduğu hususu yeterince net değildir. Bu noktada kapsamlı ve karşılaştırmalı çalışmanın eksikliğinden ötürü Global Vektörler (GloVe) gömülme katmanının sağladığı bağlamsal temsiller ile dört farklı sınıflandırıcı deneysel sürece dahil edilmiştir. GLoVe katmanından sonra Çok Katmanlı Algılayıcı (Multi-Layer Perceptron, MLP), Uzun Ömürlü Kısa Dönem Bellek Ağı (Long-Short Term Memory, LSTM), Yinelemeli Sinir Ağları (Recurrent Neural Network, RNN) ve Evrişimsel Sinir ağları kullanılmıştır (Convolutional Neural Network, CNN). Deneysel çalışmalarda açık erişimli COVID-19 isimli sahte haber tespit veri seti kullanılmış, başarımı çeşitli performans metrikleri ile hesaplanmıştır. En yüksek başarım %91 ile LSTM tarafından rapor edilmiştir. Ön-eğitimli kelime gömülmelerinin farklı sinirsel ağlardan bağımsız olarak yüksek bir hassasiyetle sahte haberlerin tespitinde kullanılabileceğini gösteren umut verici sonuçlar sunulmuştur.

Anahtar Kelimeler

Doğal Dil İşleme, Kelime Gömülmeleri, Sahte Haber Tespiti, Kavramsallaştırılmış ön-eğitimli kelime Gömülmeleri, Yapay Zekâ.

Kaynakça

• [1] Hark C, Karcı A. Karcı summarization: A simple and effective approach for automatic text summarization using Karcı entropy. Information processing & management 2020; c. 57, sayı 3: 102187.
• [2] Türk Dil Kurumu. Türk Dil Kurumu Sözlükleri., Tdk, 2021. https://sozluk.gov.tr/ (erişim Kas. 01, 2021).
• [3] Pan JZ, Pavlova S, Li C, Li N, Li Y, Liu J. Content Based Fake News Detection Using Knowledge Graphs., 2018 669–683.
• [4] Gravanis G, Vakali A, Diamantaras K, Karadais P. Behind the cues: A benchmarking study for fake news detection. Expert Syst. Appl. 2019; c. 128 201–213.
• [5] Kaliyar RK, Goswami A, Narang P, Sinha S. FNDNet – A deep convolutional neural network for fake news detection. Cogn. Syst. Res. 2020; c. 61 32–44.
• [6] ShuKai, SlivaAmy, WangSuhang, TangJiliang, LiuHuan. Fake News Detection on Social Media. ACM SIGKDD Explor. Newsl. 2017; c. 19, sayı 1: 22–36.
• [7] Gilda S. Notice of Violation of IEEE Publication Principles: Evaluating machine learning algorithms for fake news detection.,içinde 2017 IEEE 15th Student Conference on Research and Development (SCOReD),Ara. 2017,110–115.
• [8] Chollet FDeep Learning with Python. Buzdağı Yayınevi,2021.
• [9] Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez AN. Attention is all you need. Adv. neural Inf. Process. Syst. 2017; 5998–6008.
• [10] Kaur S, Kumar P, Kumaraguru P. Automating fake news detection system using multi-level voting model. Soft Comput. 2020; c. 24, sayı 12: 9049–9069.
• [11] Verma C, Stoffova V, Illes Z, Tanwar S, Kumar N. Machine Learning-Based Student’s Native Place Identification for Real-Time. IEEE Access 2020; c. 8 130840–130854.
• [12] Ahmed H, Traore I, Saad S. Detecting opinion spams and fake news using text classification. Secur. Priv. 2018; c. 1, sayı 1: e9.
• [13] Zhang J, Dong B, Yu PS. FakeDetector: Effective Fake News Detection with Deep Diffusive Neural Network.,içinde 2020 IEEE 36th International Conference on Data Engineering (ICDE),Nis. 2020,1826–1829.
• [14] Bhattacharya P, Patel SB, Gupta R, Tanwar S, Rodrigues JJPC. SaTYa: Trusted Bi-LSTM-Based Fake News Classification Scheme for Smart Community. IEEE Trans. Comput. Soc. Syst. 2021; 1–10.
• [15] Mansouri R, Naderan-Tahan M, Rashti MJ. A Semi-supervised Learning Method for Fake News Detection in Social Media.,içinde 2020 28th Iranian Conference on Electrical Engineering (ICEE),Ağu. 2020,1–5.
• [16] Mahabub A. A robust technique of fake news detection using Ensemble Voting Classifier and comparison with other classifiers. SN Appl. Sci. 2020; c. 2, sayı 4: 525.
• [17] Patwa P vd. Fighting an Infodemic: COVID-19 Fake News Dataset., 2021 21–29.
• [18] Fu X, Liu W, Xu Y, Cui L. Combine HowNet lexicon to train phrase recursive autoencoder for sentence-level sentiment analysis. Neurocomputing 2017; c. 241 18–27.
• [19] Zhou X, Zafarani R. A Survey of Fake News. ACM Comput. Surv. 2020; c. 53, sayı 5:
• [20] Mikolov T, Chen K, Corrado G, Dean J. Efficient Estimation of Word Representations in Vector Space. 2013; [Çevrimiçi]. Available at: http://arxiv.org/abs/1301.3781
• [21] Samadi M, Mousavian M, Momtazi S. Deep contextualized text representation and learning for fake news detection. Information processing & management 2021; c. 58, sayı 6: 102723.
• [22] Aydoğan M, Kocaman V. TRSAv1: A new benchmark dataset for classifying user reviews on Turkish e-commerce websites. J. Inf. Sci. 2022; 016555152210743.
• [23] KARACA YE, ASLAN S. Sentiment Analysis of Covid-19 Tweets by using LSTM Learning Model. Comput. Sci. 2021; sayı Special: 366–374.
• [24] Seyyarer E, Uckan T, Hark C, Ayata F, Inan T, Karci A. Applications and Comparisons of Optimization Algorithms Used in Convolutional Neural Networks.,içinde 2019 International Artificial Intelligence and Data Processing Symposium (IDAP),Eyl. 2019,1–6.