شناسايي شايعات در شبكه‌هاي اجتماعي در زمينه بيماري‌هاي همه‌گير با استفاده از تكنيك‌هاي يادگيري عميق

يكي از مهمترين مسائل در شبكه هاي اجتماعي حجم بالاي شايعاتي است كه توسط عوامل انساني و يا ماشيني منتشر مي‌شوند. در ‏چنين شرايطي، تشخيص خودكار شايعات براي ايمن نگهداشتن افكار عمومي در برابر خطرات بالقوه آنها؛ از اهميت بالايي برخوردار ‏است. در اين پژوهش، با استفاده از تكنيك هاي يادگيري عميق يك راهكار جديد براي تشخيص خودكار شايعاتِ مرتبط با بيماري‏هاي همه گير در شبكه هاي اجتماعي ارائه شده است. در روش پيشنهادي، ابتدا محتواي پيام هاي موجود براي پردازش در گامهاي ‏بعدي آماده سازي ميشوند. همچنين از قالب ماتريس وزني براي توصيف خصوصيات محتوايي استفاده شده است. سپس در گام دوم ‏روش پيشنهادي، از شبكه عصبي كانولوشن به منظور استخراج مجموعه ويژگيهاي مناسب از ماتريس خصوصيات حاصل از گام قبل ‏استفاده ميشود. بدين ترتيب، ماتريس خصوصيات محتوايي به عنوان ورودي شبكه عصبي عميق بكار مي رود و مقادير وزني به ‏دست آمده در آخرين لايه تماماً متصل اين شبكه عصبي به عنوان ويژگي هاي استخراج شده از آن مورد استفاده قرار ميگيرد. ‏درنهايت، از تجميع چند طبقه بند دودويي به منظور تشخيص شايعات و طبقه بندي ويژگي هاي استخراج شده از طريق شبكه عصبي ‏كانولوشن استفاده ميشود. بدين منظور، ويژگيهاي استخراج شده به‌صورت همزمان توسط چندين مدل يادگيري پردازش شده و ‏خروجي نهايي سيستم پيشنهادي از طريق رايگيري خروجيهاي اين سه الگوريتم تعيين ميشود. نتايج حاصل از اين تحقيق نشان ‏ميدهد كه با استفاده از روش پيشنهادي مي توان شايعات را با ميانگين دقت 98.8 درصد تشخيص داد كه نشان از بهبود حداقل ‏‏2.4 درصدي دقت تشخيص نسبت به روش هاي پيشين دارد.‏