استفاده از شبكه مولد متخاصم شرطي براي توليد داده با هدف بهبود كلاس¬بندي كاربران منتشركننده اخبار جعلي

Use of conditional generative adversarial network to produce synthetic data with the aim of improving the classification of users who publish fake news

ساليان درازي است كه اخبار و پيام هاي جعلي در جوامع انساني منتشر مي گردد و امروزه با فراگيرشدن شبكه هاي اجتماعي در بين مردم، امكان نشر اطلاعات نادرست بيشتر از قبل شده است. بنابراين، شناسايي اخبار و پيام هاي جعلي به موضوع برجسته اي در جوامع تحقيقاتي تبديل شده است. ضمناً، شناسايي كاربراني كه اين اطلاعات نادرست را ايجاد مي كنند و در شبكه نشر مي دهند، از اهميت بالايي برخوردار است. اين مقاله، به شناسايي كاربراني كه با زبان فارسي اقدام به انتشار اطلاعات نادرست در شبكه اجتماعي توئيتر مي كنند، پرداخته است. در اين راستا، سيستمي بر مبناي تركيب ويژگي هاي بافتار-كاربر و بافتار شبكه با كمك شبكه مولد متخاصم شرطي براي متوازن سازي مجموعه -داده پايه ريزي شده است. هم چنين، اين سيستم با مدل كردن شبكه اجتماعي توئيتر به گراف تعاملات كاربران و تعبيه گره به بردار ويژگي توسط Node2vec، كاربران منتشركننده اخبار جعلي را شناسايي مي كند. علاوه بر اين، با انجام آزمايشات متعدد، سيستم پيشنهادي تا حدود 11% ، 13 % ،12 % و 12 % به ترتيب در معيارهاي دقت، فراخواني، معيار اف و صحت نسبت به رقبايش بهبود داشته است و توانسته است دقتي در حدود 99% در شناسايي كاربران منتشركننده اخبار جعلي ايجاد كند.

For many years, fake news and messages have been spread in human societies, and today, with the spread of social networks among the people, the possibility of spreading false information has increased more than before. Therefore, detecting fake news and messages has become a prominent issue in the research community. It is also important to detect the users who generate this false information and publish it on the network. This paper detects users who publish incorrect information on the Twitter social network in Persian. In this regard, a system has been established based on combining context-user and context-network features with the help of a conditional generative adversarial network (CGAN) for balancing the data set. The system also detects users who publish fake news by modeling the twitter social network into a graph of user interactions and embedding a node to feature vector by Node2vec. Also, by conducting several tests, the proposed system has improved evaluation metrics up to 11%, 13%, 12%, and 12% in precision, recall, F-measure and accuracy respectively, compared to its competitors and has been able to create about 99% precision, in detecting users who publish fake news.