تشخيص شايعه در شبكه اجتماعي توئيتر فارسي مبتني بر يادگيري عميق

Rumors Detection in the Persian Twitter social network based on deep learning

زمينه و هدف : با توجه به تبادل سريع اطلاعات و تعداد زياد كاربران شبكه‌هاي اجتماعي ، اين شبكه‌ها براي جمع آوري آخرين اطلاعات يا اخبار مردم در سراسر جهان متمركز شده اند، از اين رو شبكه‌هاي اجتماعي به كانون بسياري از شايعات تبديل شده اند. اين شبكه‌ها مي‌توانند اطلاعات را بسيار سريعتر از هر زمان ديگري منتشر كنند، اطلاعات غلط يا تأييد نشده دقيقاً مانند اطلاعات درست در فضاي مجازي منتشر مي‌شوند و بر افكار عمومي و تصميمات آن‌ها تأثير بگذارند. اخبار جعلي و شايعات به ترتيب محبوب ترين اشكال اطلاعات دروغ و تأييد نشده مي‌باشند. براي جلوگيري از تأثيرات چشمگير آنها بايد در اسرع وقت كشف شوند. لذا در اين پژوهش مدلي جهت تشخيص هرچه سريع‌تري شايعه در شبكه‌هاي اجتماعي ارائه شده است. مدل ارائه شده بر روي داده‌هاي شبكه توئيتر آزمايش شده است. روش شناسي: اين پژوهش از نظر نوع كاربردي و به صورت تجربي-تحليلي انجام گرفته است، در اين پژوهش با كشف و تجزيه و تحليل اهميت دو دسته از ويژگي‌هاي شايعه: ويژگي‌هاي ساختاري و محتوا محور ، به تشخيص شايعه در شبكه اجتماعي توييتر فارسي پرداخته شده است. يافته‌ها و نتيجه گيري : در اين پزوهش با استفاده از مدل پيشنهادي مبتني بر شبكه عصبي بازگشتي كه از دسته تكنيك‌هاي يادگيري عميق محسوب مي‌گردند شايعات فارسي به درستي تشخيص داده شده است. دقت حاصله در تشخيص شايعات با استفاده از تركيب ويژگي‌هاي محتوايي و ساختاري 91 درصد مي‌باشد.

Background and Aim: Due to the rapid exchange of information and the large number of social network users, these networks are focused on gathering the latest information or news from people around the world, so social networks have become the focus of many rumors. These networks can spread information much faster than ever before, misinformed or unverified information spreads just like true information in cyberspace, influencing public opinion and their decisions. Fake news and gossip are the most popular forms of false and unverified information, respectively. They should be detected as soon as possible to avoid significant effects. Therefore, in this study, a model has been presented to detect rumors in social networks as quickly as possible. The proposed model is tested on Twitter network data. Methodology: This research has been done in terms of applied type and empirically-analytically. In this research, by discovering and analyzing the importance of two categories of rumor features: structural and content-oriented features, it has identified rumors in the Persian Twitter social network. Has been. Findings and Conclusion: In this study, Persian rumors have been correctly identified using a proposed model based on recursive neural network, which is one of the deep learning techniques. The accuracy of rumor detection using a combination of content and structural features is 91%.