تشخيص شايعات مربوط به اخبار در شبكه‌هاي اجتماعي با استفاده از الگوريتم‏ هاي تركيبي SVM و بهينه سازي جست‌جوي كلاغ

Detecting breaking news rumors in social networks using hybrid SVM and crow search optimization algorithms

شايعات اطلاعات گمراه‌كننده‌اي هستند كه در زمان انتشار صحت ندارند. به عبارت ديگر، شايعات مجموعه‌اي از اطلاعات هستند كه صحت آن‌ها به سرعت يا هرگز تأييد نمي‌شود. از آنجايي كه استفاده از پلتفرم رسانه‏ هاي اجتماعي در سال هاي اخير رشد كرده است، اطلاعات و شايعات نادرست به طور گسترده در اين پلتفرم ‏ها منتشر شده است كه تأثير قابل توجهي بر زندگي مردم دارد. شايعات به سرعت از طريق رسانه‏ هاي اجتماعي پخش مي‏ شوند و به دليل گسترش اينترنت و شبكه‏ هاي مجازي مانند توييتر، اكنون براي هر كسي امكان ارسال هر مطلبي در پلتفرم‏ هاي آنلاين وجود دارد. اين پخش سريع شايعات در شبكه‏ هاي اجتماعي، انگيزه لازم براي ارائه مدل‏هاي خودكار بر اساس هوش مصنوعي براي تشخيص اخبار واقعي از شايعات را در شبكه‏ هاي اجتماعي فراهم كرده است. در اين مقاله يك روش خودكار تشخيص اخبار شايعه مبتني بر يادگيري نظارتي ارائه شده است. روش پيشنهادي از ويژگي‏هاي پايگاه داده PHEME براي تشخيص شايعات در توييتر استفاده مي‏كند. براي طبقه‌بندي و شناسايي شايعات از مدل ماشين بردار پشتيبان (SVM) بهينه شده استفاده شده است. بهينه كردن هايپرپارامترهاي مدل SVM نيز در اين كار با استفاده از الگوريتم بهينه‌سازي جست‌جوي كلاغ (CSA) انجام شده است. بر اساس نتايج شبيه‌سازي، ميانگين دقت روش پيشنهاي در اين مقاله 85.34 درصد است كه نسبت به روش مقاله مرجع، افزايش داشته است.

Rumors are misleading information that is not true at the time of publication. In other words, a rumor is a collection of information whose truth is quickly or never verified. As the use of social media platforms has grown in recent years, false information and rumors have been widely spread on these platforms, which have a significant impact on people s lives. Rumors spread quickly through social media, and due to the expansion of the Internet and virtual networks such as Twitter, it is now possible for anyone to post anything on online platforms. This rapid spread of rumors in social networks has provided the necessary motivation to provide automatic models based on artificial intelligence to distinguish real news from rumors in social networks. In this thesis, an automatic method of detecting rumor news based on supervised learning is presented. The proposed method uses the features of PHEME database to detect rumors on Twitter. An optimized support vector machine (SVM) model has been used to classify and identify rumors. Optimizing the hyperparameters of the SVM model has also been done in this work using the Crow Search Optimization Algorithm (CSA). Based on the simulation results, the average accuracy of the proposed method in this thesis is 85.34%, which has increased compared to the method of the reference article.