تشخيص شايعات در شبكه هاي اجتماعي با استفاده از معماري تركيبي LSTM - CNN و ارائه ي روش جديد پيش پردازش داده ها

A New Preprocessing Method for Rumor Detection in Social Networks based on LSTM-CNN

با توجه به جايگاهي كه امروزه شبكه­ هاي اجتماعي در جوامع پيدا كرده ­اند، افراد بسياري از اين شبكه ­ها به منظور منتشر كردن عقايد و اطلاعات خود استفاده مي ­كنند. يكي از چالش ­هاي امنيتي موجود در اين شبكه ­ها، جلوگيري از حملات معنايي است. در حملات معنايي فرد مخرب قصد دارد تا با انتشار اطلاعات و شايعات نادرست در شبكه ­هاي اجتماعي، بر روي كاربران ديگر تاثير بگذارد. بنابراين ايمني افراد در اين گونه شبكه­ ها به خطر مي ­افتد. انتشار اطلاعات نادرست در مواقع بحراني مانند جنگ يا انتخابات ممكن است، عواقب جبران ناپذيري براي يك اجتماع داشته باشد. از اين رو در اين پژوهش هدف اينست كه بتوان شايعات از جمله شايعات فارسي را در شبكه ­هاي اجتماعي تشخيص داد. بدين منظور از يك معماري تركيبي LSTM-CNN استفاده و برخلاف پژوهش ­هاي پيشين از نرخ يادگيري چرخشي بهره گرفته و روش جديدي به منظورپردازش كردن داده ­ها قبل از ورود به شبكه براي بهبود نتايج ارائه شده­است. علاوه بر آن نيز براي رفع مشكلات مربوط به كمبود داده مدل BERT براي تشخيص شايعات فارسي هم مورد بررسي قرار گرفت. در نهايت با ارزيابي روش پيشنهادي مشخص شد كه اين روش به دقت مناسبي براي تشخيص شايعات و همين طور شايعات فارسي تنها با بررسي محتوا، دست يافته است.

Recently, using social networks increases and people propagate their information through this networks. One of the most important challenges in these networks is sentiment attack, in which the attacker spreads rumors to influence users. Therefor rumor detection become important and attracts expanding research attention. Most of the previous works using deep neural networks for rumor detection without special preprocessing but we propose a new method for preprocessing data before learning which improve results. we use LSTM-CNN architecture with cyclical learning rate to detect Persian rumors. Beside that we investigate BERT model for Persian tweets. Our results demonstrate the effectiveness of this approach for English and Persian rumor detection.