تشخیص شایعه در شبکه اجتماعی توئیتر فارسی مبتنی بر یادگیری عمیق

زمینه و هدف : با توجه به تبادل سریع اطلاعات و تعداد زیاد کاربران شبکه‌های اجتماعی ، این شبکه‌ها برای جمع آوری آخرین اطلاعات یا اخبار مردم در سراسر جهان متمرکز شده اند، از این رو شبکه‌های اجتماعی به کانون بسیاری از شایعات تبدیل شده اند. این شبکه‌ها می‌توانند اطلاعات را بسیار سریعتر از هر زمان دیگری منتشر کنند، اطلاعات غلط یا تایید نشده دقیقاً مانند اطلاعات درست در فضای مجازی منتشر می‌شوند و بر افکار عمومی و تصمیمات آن‌ها تاثیر بگذارند. اخبار جعلی و شایعات به ترتیب محبوب ترین اشکال اطلاعات دروغ و تایید نشده می‌باشند. برای جلوگیری از تاثیرات چشمگیر آنها باید در اسرع وقت کشف شوند. لذا در این پژوهش مدلی جهت تشخیص هرچه سریع‌تری شایعه در شبکه‌های اجتماعی ارائه شده است. مدل ارائه شده بر روی داده‌های شبکه توئیتر آزمایش شده است.روش شناسی: این پژوهش از نظر نوع کاربردی و به صورت تجربیتحلیلی انجام گرفته است، در این پژوهش با کشف و تجزیه و تحلیل اهمیت دو دسته از ویژگی‌های شایعه: ویژگی‌های ساختاری و محتوا محور ، به تشخیص شایعه در شبکه اجتماعی توییتر فارسی پرداخته شده است.یافته‌ها و نتیجه گیری : در این پزوهش با استفاده از مدل پیشنهادی مبتنی بر شبکه عصبی بازگشتی که از دسته تکنیک‌های یادگیری عمیق محسوب می‌گردند شایعات فارسی به درستی تشخیص داده شده است. دقت حاصله در تشخیص شایعات با استفاده از ترکیب ویژگی‌های محتوایی و ساختاری 91 درصد می‌باشد.

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

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 empiricallyanalytically. In this research, by discovering and analyzing the importance of two categories of rumor features: structural and contentoriented 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%.