شناسایی شایعات در شبکه‌های اجتماعی در زمینه بیماری‌های همه‌گیر با استفاده از تکنیک‌های یادگیری عمیق

یکی از مهمترین مسائل در شبکه های اجتماعی حجم بالای شایعاتی است که توسط عوامل انسانی و یا ماشینی منتشر می‌شوند. در ‏چنین شرایطی، تشخیص خودکار شایعات برای ایمن نگهداشتن افکار عمومی در برابر خطرات بالقوه آنها؛ از اهمیت بالایی برخوردار ‏است. در این پژوهش، با استفاده از تکنیک های یادگیری عمیق یک راهکار جدید برای تشخیص خودکار شایعاتِ مرتبط با بیماری‏های همه گیر در شبکه های اجتماعی ارائه شده است. در روش پیشنهادی، ابتدا محتوای پیام های موجود برای پردازش در گامهای ‏بعدی آماده سازی میشوند. همچنین از قالب ماتریس وزنی برای توصیف خصوصیات محتوایی استفاده شده است. سپس در گام دوم ‏روش پیشنهادی، از شبکه عصبی کانولوشن به منظور استخراج مجموعه ویژگیهای مناسب از ماتریس خصوصیات حاصل از گام قبل ‏استفاده میشود. بدین ترتیب، ماتریس خصوصیات محتوایی به عنوان ورودی شبکه عصبی عمیق بکار می رود و مقادیر وزنی به ‏دست آمده در آخرین لایه تماماً متصل این شبکه عصبی به عنوان ویژگی های استخراج شده از آن مورد استفاده قرار میگیرد. ‏درنهایت، از تجمیع چند طبقه بند دودویی به منظور تشخیص شایعات و طبقه بندی ویژگی های استخراج شده از طریق شبکه عصبی ‏کانولوشن استفاده میشود. بدین منظور، ویژگیهای استخراج شده به‌صورت همزمان توسط چندین مدل یادگیری پردازش شده و ‏خروجی نهایی سیستم پیشنهادی از طریق رایگیری خروجیهای این سه الگوریتم تعیین میشود. نتایج حاصل از این تحقیق نشان ‏میدهد که با استفاده از روش پیشنهادی می توان شایعات را با میانگین دقت 98.8 درصد تشخیص داد که نشان از بهبود حداقل ‏‏2.4 درصدی دقت تشخیص نسبت به روش های پیشین دارد.‏

an approach to identify epidemic diseases rumors in social networks ‎using deep learning techniques

one of the most important issues in social networks is the high volume of rumors that are spread by human or machine ‎agents. in such situations, automatic detection of rumors to keep public opinion safe from their potential dangers is of ‎great importance. in this research, using deep learning techniques, a new solution for automatically detecting rumors ‎related to epidemic diseases in social networks will be presented. in the proposed method, first the content of existing ‎messages is prepared for processing in the next steps. also, weight matrix format has been used to describe content ‎characteristics. then, in the second step of the proposed method, the convolutional neural network is used to extract the ‎set of suitable features from the matrix of features obtained from the previous step. in this way, the matrix of content ‎features is used as the input of the deep neural network, and the weight values obtained in the last fully connected layer of ‎this neural network are used as the features extracted from it. finally, the aggregation of several binary classifiers is used ‎in order to detect rumors and classify the features extracted through convolutional neural network. for this purpose, the ‎extracted features are simultaneously processed by several learning models and the final output of the proposed system is ‎determined by voting the outputs of these three algorithms. the results of this research show that by using the proposed ‎method, rumors can be detected with an average accuracy of 98.8%, which shows an improvement of at least 2.4% in ‎detection accuracy compared to the previous methods.‎