Fake news detection using deep neural networks
Derin sinir ağlarını kullanarak sahte haber tespiti
- Tez No: 902895
- Danışmanlar: PROF. REMZİ YILDIRIM
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Bilgisayar destekli mühendislik, Computer aided engineering
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Ankara Yıldırım Beyazıt Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu araştırma da, sosyal medya ve çevrimiçi kaynaklar gibi çeşitli alanlar da çıkan haberlerin doğrulanması araştırması yapılmıştır. Yalan haberi ortaya çıkarmanın değişik zorlukları olan kritik bir sorunun yada yanlış bilginin yayılması sorununa çözüm önerisi getirilmiştir. Bunlar; ön işleme teknikleri, algılama performansını optimize etmek için çok önemlidir. Araştırma, sayım vektörleştirici ve TF-IDF (Term Frekansı-Ters Belge Frekansı) gibi yaygın olarak kullanılan yöntemleri kullanarak sahte haber tespitinin etkinliği üzerindeki etkileri deneysel olarak tespit edilmiştir. Bu teknikler, verileri daha ileri analizlere hazırlayarak makine öğrenimi modellerinin daha doğru çalışmasını sağlamıştır. Sayım vektörleştiricisi, metin verilerini jeton sayıları matrisine dönüştürür, bu da terimlerin sıklığının yakalanmasına yardımcı olur. Öte yandan, TF-IDF hem terimlerin sıklığını hem de ters belge sıklığını dikkate alır ve bu da sık karşılaşılan kelimelerin ağırlığının azaltılmasına yardımcı olur ve veri kümesindeki önemli terimleri vurgular. Çalışmada Destek Vektör Makineleri (SVM'ler), Lojistik Regresyon ve Uzun Kısa Süreli Bellek ağları (LSTM'ler) dahil olmak üzere bireysel makine öğrenimi modelleri kullanılarak değerlendirme işlemi yapılmıştır. Bu modeller ayrı ayrı eğitilmeden ziyade aynı zamanda yığınlama ve delegasyon gibi topluluk yöntemleri kullanılarak birleştirilmiştir. Bu yöntem ile için birden fazla modelin güçlü yönlerini alarak genel performans artırılmıştır. Bulgular, optimum sınıflandırma performansına atırmış ve ön işleme adımları ve topluluk tekniklerinin önemini artırmıştır. Böylece makine öğrenimi yöntemleri ve ön işleme tekniklerine entegre ederek, yanlış bilgi tespitinin bulunmasına ciddi katkı saplamaktadır.
Özet (Çeviri)
This study tackled the critical issue of detecting fake news and the spread of misinformation by proposing an innovative solution. The research focused on using various machine learning techniques to classify and detect misleading textual data, which is particularly challenging. The main theme of the study was the exploration of preprocessing techniques, which are essential for optimizing detection performance. The researchers assessed the impact of commonly used methods such as counter vectorization and TF-IDF (Term Frequency-Inverse Document Frequency) on the effectiveness of fake news detection. The count vectorizer transforms text data into a matrix of token counts, capturing term frequency, while TF-IDF adjusts these counts by considering the inverse document frequency. This process gets helping to emphasize significant terms and reduce the influence of common words. The study employed several machines learning models, including Support Vector Machines (SVMs), Logistic Regression, and Long Short-Term Memory networks (LSTMs). Instead of relying on individual models, this study combined them using ensemble methods like stacking and delegation, which harness the strengths of multiple models to enhance overall performance. The stacking was performed in labelled as well as probabilistic manner while delegation in fall through and iterated scenarios. The findings demonstrated that optimal classification performance can be achieved through careful model selection and optimization, underscoring the importance of preprocessing steps and ensemble techniques. By integrating these machine learning methods, the study made a significant contribution to improving the detection of misinformation.
Benzer Tezler
- Sosyal medyadaki Türkçe sahte haberlerin derin öğrenme yaklaşımıyla tespiti ve sınıflandırılması
Detection and classification of fake news in Turkish on social media using a deep learning approach
GÜLSÜM KAYABAŞI KORU
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiAdli Bilişim Ana Bilim Dalı
PROF. DR. ÇELEBİ ULUYOL
- Hybrid deep learning model for automatic fake news detection
Başlık çevirisi yok
OTHMAN ARAF HANSHAL HANSHAL
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. OSMAN NURİ UÇAN
- Makine öğrenmesi kullanılarak yanıltıcı haber ve ayrıştırıcı dil tespit algoritmaları geliştirilmesi
Developing fake news and hate speech detection algorithms using machine learning
FATİH SİNAN ESEN
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞAHİN EMRAH
- Derin öğrenme algoritmaları ile Türkçe dilinde sahte haber tespiti
Detecting fake news in Turkish with deep learning algorithms
SÜLEYMAN GÖKHAN TAŞKIN
Doktora
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSüleyman Demirel ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ECİR UĞUR KÜÇÜKSİLLE
DR. ÖĞR. ÜYESİ KAMİL TOPAL
- Derin öğrenme teknikleri kullanılarak sosyal ağlar üzerinde siber zorbalık tespiti
Cyberbullying detection on social networks using deep learning techniques
GÖZDE NERGİZ
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMersin ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ERDİNÇ AVAROĞLU