تشخیص شایعات مربوط به اخبار در شبکه‌های اجتماعی با استفاده از الگوریتم‏ های ترکیبی svm و بهینه سازی جست‌جوی کلاغ

شایعات اطلاعات گمراه‌کننده‌ای هستند که در زمان انتشار صحت ندارند. به عبارت دیگر، شایعات مجموعه‌ای از اطلاعات هستند که صحت آن‌ها به سرعت یا هرگز تایید نمی‌شود. از آنجایی که استفاده از پلتفرم رسانه‏ های اجتماعی در سال های اخیر رشد کرده است، اطلاعات و شایعات نادرست به طور گسترده در این پلتفرم ‏ها منتشر شده است که تاثیر قابل توجهی بر زندگی مردم دارد. شایعات به سرعت از طریق رسانه‏ های اجتماعی پخش می‏ شوند و به دلیل گسترش اینترنت و شبکه‏ های مجازی مانند توییتر، اکنون برای هر کسی امکان ارسال هر مطلبی در پلتفرم‏ های آنلاین وجود دارد. این پخش سریع شایعات در شبکه‏ های اجتماعی، انگیزه لازم برای ارائه مدل‏های خودکار بر اساس هوش مصنوعی برای تشخیص اخبار واقعی از شایعات را در شبکه‏ های اجتماعی فراهم کرده است. در این مقاله یک روش خودکار تشخیص اخبار شایعه مبتنی بر یادگیری نظارتی ارائه شده است. روش پیشنهادی از ویژگی‏های پایگاه داده pheme برای تشخیص شایعات در توییتر استفاده می‏کند. برای طبقه‌بندی و شناسایی شایعات از مدل ماشین بردار پشتیبان (svm) بهینه شده استفاده شده است. بهینه کردن هایپرپارامترهای مدل svm نیز در این کار با استفاده از الگوریتم بهینه‌سازی جست‌جوی کلاغ (csa) انجام شده است. بر اساس نتایج شبیه‌سازی، میانگین دقت روش پیشنهای در این مقاله 85.34 درصد است که نسبت به روش مقاله مرجع، افزایش داشته است.

detecting breaking news rumors in social networks using hybrid svm and crow search optimization algorithms

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.