|
Title
|
تشخيص شايعه در شبكه هاي اجتماعي با استفاده از تكنيك هاي يادگيري عميق
|
|
Type
|
Thesis
|
|
Keywords
|
تشخيص شايعه، شبكه هاي اجتماعي، الگوريتم ژنتيك، شبكه عصبي
|
|
Abstract
|
زمينه: با گسترش شبكه هاي اجتماع ي و تبد يل شدن آنها به منابع اصلي اخبار و اطالعات براي مي ليون ها نفر، مسئله انتشار
شايعات و اطالعات نادرست به يك چالش جدي تبديل شده است. توييتر به عنوان يكي از پلتفرم هاي اصلي براي اشتراك گذاري
سريع اطالعات، بستري مناسب براي گسترش شايعات فراهم كرده است. اين شايعات ميتوانند تأث يرات منفي گستردهاي بر
جامعه داشته باشند؛ از ايجاد وحشت عمومي و تضعيف اعتماد به نهادهاي اجتماع ي تا تأثيرگذاري بر نتايج انتخابات و تصميمات
سياسي. به همين دليل، تشخيص و مقابله با شايعات در اين شبكه اجتماع ي از اهميت ويژهاي برخوردار است.
هدف: هدف از اين پژوهش، توسعه و ارزيابي روشهايي براي تشخيص شايعات در توييتر است كه بتوانند به سرعت و دقت
شايعات را شناسايي كرده و از گسترش آن ها جلوگيري كنند. اين روشها شامل تحليل احساسات، شناسايي و محدود كردن
رباتها، و استفاده از سيستمهاي خودكار براي ارزيابي اعتبار منابع ميباشند . پژوهش حاضر به دنبال ارائه يك چارچوب جامع
است كه با تركيب اين روشها، بتواند به طور مؤثري در كاهش انتشار شايعات و حفظ سالمت اطالعات ي جامعه نقش ايفا كند.
روششناسي: روششناسي اين پژوهش شامل طراحي و پيادهسازي يك مدل بهينهسازي شده براي تشخيص شايعات در
شبكه هاي اجتماعي است كه از مدل گراف آگاه از رباتهاي اجتماعي بهره ميگيرد. ابتدا، دادههاي مورد استفاده از مجموعه
دادههاي توييتر 15 و توييتر 16 جمعآوري شدند و به عنوان ورودي مدل به كار رفتند. سپس، چهار معماري اصلي شامل شبكه
توجه گرافي، شبكه عصبي گراف پيچشي، رمزگذار متني و اليه خروجي به كار گرفته شدند كه هر كدام وظيفهاي مجزا در
استخراج و تحليل دادهها داشتند. همچنين، از الگوريتم ژنتيك براي بهينهسازي پارامترهاي مدل استفاده شد تا دقت و كارايي
تشخيص شايعه و باتها در شبكه بهبود يابد. در اين پژوهش، به جاي مدلهاي چنداليه ادراكي، از شبكه طبقه بند تقويت
گرادياني حدي براي تشخيص باتها بهره گرفته شد و دو پارامتر جديد براي شناسايي كاربران بد به مدل اضافه گرديد.
يافتهها: در اين پژوهش، يافتههاي مهمي به دست آمد كه بهبودهاي قابلتوجهي در دقت و كارايي مدل تشخيص شايعه ارائه
كردند. استفاده از الگوريتم ژنتيك براي بهينه سازي پارامترهاي مدل، منجر به افزايش چشمگير دقت سيستم در شناسايي
شايعات شد. اين الگوريتم توانست بهطور خودكار بهترين تركيب
|
|
Researchers
|
alireza moeini (Student) , Ebrahim Sahafizadeh (First primary advisor) , Rezvan MohammadiBaghmolaei (Advisor)
|