وحید انصاری - دانشجو کارشناسی ارشد مهندسی کامپیوتر دانشگاه غیرانتفاعی لیان بوشهر
حسین مومن زاده - دانشیار دانشگاه غیرانتفاعی لیان بوشهر
حسن ارفعی نیا - مربی دانشگاه غیرانتفاعی لیان بوشهر

با پیشرفت فناوری، اخبار جعلی به راحتی در دسترس قرار می گیرند، که گاهی اوقات خوانندگان را گمراه می کند و منجر به عقاید نادرست اجتماعی می شود. اخبار جعلی ممکن است در اینترنت، منابع خبری و پلتفرم های رسانه های اجتماعی یافت شود. انتشار اخبار دروغ به افراد و جامعه آسیب رسانده است. در این مقاله، سه مدل ترکیبی CNN + RNN ساده، CNN + GRU و CNN + BiLSTM را در معماری رمزگشا-رمزگذار برای پیشبینی خبر جعلی ارائه میکنیم. جاسازی کلمه GloVe از قبل آموزشدیده برای نمایش کلمه به برداری استفاده میشود تا اطلاعات معنایی بین کلمهای را بدست آورد. ترکیب CNN-RNN در کاربردهای یادگیری عمیق کارآمد نشان داده شده است، زیرا آنها می توانند ویژگی های ترتیبی و محلی داده های ورودی را ضبط کنند. این مدلها با موفقیت در مجموعه داده های اخبار جعلی باینری (ISOT) و چند کلاسه (FNC-۱) آموزش و آزمایش شدند. مشخص شد که مدل CNN + BiLSTM پیشنهادی نتایج بهتری نسبت به دو مدل هیبریدی دیگر در کار طبقه بندی باینری و چند کلاسه برای سیستم تشخیص موضع اخبار جعلی دارد که به دقت ۹۶,۲۵ درصد در مجموعه داده آزمایشی FNC -۱ رسید.

تشخیص اخبار جعلی، شبکه عصبی ترکیبی، معااری رمزگشا-رمزگذار