AAFNDL - An Accurate Fake Information Recognition Model Using Deep Learning for the Vietnamese Language

Nguyen Viet Hung; Thang Quang Loi; Nguyen Thi Huong; Tran Thi Thuy Hang; Truong Thu Huong

doi:10.15622/ia.22.4.4

Нгуен Вьет Хунг Восточноазиатский технологический университет
Тханг Куанг Лои Восточноазиатский технологический университет
Нгуен Ти Хыонг Восточноазиатский технологический университет
Тран Тхи Туй Ханг Восточноазиатский технологический университет
Труонг Ту Хыонг Ханойский университет науки и технологий

DOI:

https://doi.org/10.15622/ia.22.4.4

Ключевые слова:

социальные сети, вычислительное моделирование, глубокое обучение, извлечение признаков, алгоритмы классификации, фейковые новости, BERT, TF-IDF, PhoBERT

Аннотация

В интернете «фейковые новости» - это распространенное явление, которое часто беспокоит общество, поскольку содержит заведомо ложную информацию. Проблема активно исследовалась с использованием обучения с учителем для автоматического обнаружения фейковых новостей. Хотя точность растет, она по-прежнему ограничивается идентификацией ложной информации через каналы на социальных платформах. Это исследование направлено на повышение надежности обнаружения фейковых новостей на платформах социальных сетей путем изучения новостей с неизвестных доменов. Особенно трудно обнаружить и предотвратить распространение информации в социальных сетях во Вьетнаме, потому что все имеют равные права на использование интернета для разных целей. Эти люди имеют доступ к нескольким платформам социальных сетей. Любой пользователь может публиковать или распространять новости через онлайн-платформы. Эти платформы не пытаются проверять пользователей, их местоположение или содержимое их новостей. В результате некоторые пользователи пытаются распространять через эти платформы фейковые новости для пропаганды против отдельного лица, общества, организации или политической партии. Мы предложили проанализировать и разработать модель распознавания фейковых новостей с использованием глубокого обучения (называемого AAFNDL). Метод выполнения работы: 1) во-первых, анализируем существующие методы, такие как представление двунаправленного кодировщика от преобразователя (BERT); 2) приступаем к построению модели для оценки; 3) подходим к применению некоторых современных методов к модели, таких как метод глубокого обучения, метод классификатора и т.д., для классификации ложной информации. Эксперименты показывают, что наш метод может улучшить результаты на 8,72% по сравнению с другими методами.

Литература

1. Mladenova T., Valova I. Research on the ability to detect fake news in users of social networks. International Congress on Human-Computer Interaction, Optimization and Robotic Applications (HORA). 2022. pp. 01–04.
2. Apuke O.D., Omar B. Fake news and covid-19: modelling the predictors of fake news sharing among social media users. Telematics and Informatics. 2021. vol. 56. p. 101475. Available at: https: //www.sciencedirect.com/science/article/pii/S0736585320301349.
3. Nguyen H, Tan N., Quan N., Huong T., Phat N. Building a chatbot system to analyze opinions of english comments. Informatics and Automation. 2023. vol. 22. no. 2. pp. 289–315.
4. Yuslee N.S., Abdullah N.A.S. Fake news detection using naive bayes. IEEE 11th International Conference on System Engineering and Technology (ICSET). 2021. pp. 112–117.
5. Babar A., Jagtap N., Mithari A., Shukla A., Chaudhari P. A survey on fake news detection techniques and using a blockchain based system to combat fake news. International Journal of Computer Applications. 2020. vol. 176. no. 27. pp. 47–53.
6. Kaliyar R.K. Fake news detection using a deep neural network. 4th International Conference on Computing Communication and Automation (ICCCA). 2018. pp. 1–7.
7. Sastrawan I.K., Bayupati I., Arsa D.M.S. Detection of fake news using deep learning cnn–rnn based methods. ICT Express. 2022. vol. 8. no. 3. pp. 396–408.
8. Vinothkumar S., Varadhaganapathy S., Ramalingam M., Ramkishore D., Rithik S., Tharanies K. Fake news detection using svm algorithm in machine learning,” in 2022 International Conference on Computer Communication and Informatics (ICCCI). 2022. pp. 1–7.
9. Hussain M.G., Hasan M.R., Rahman M., Protim J., Hasan S.A. Detection of bangla fake news using mnb and svm classifier. 2020. 5 p. DOI: 10.1109/iCCECE49321.2020.9231167.
10. Hussain M.G., Hasan M.R., Rahman M., Protim J., Al Hasan S. Detection of bangla fake news using mnb and svm classifier. International Conference on Computing, Electronics Communications Engineering (iCCECE). 2020. pp. 81–85.
11. Aphiwongsophon S., Chongstitvatana P. Detecting fake news with machine learning method. 2018. pp. 528–531.
12. Маилян Э.К., Куликов А.А. Анализ алгоритмов обнаружения fake news. Всероссийская конференция молодых исследователей с международным участием «Социально-гуманитарные проблемы образования и профессиональной самореализации «Социальный инженер-2020». 2020. С. 204–209.
13. Василькова В.В., Садчиков Д.И. Фейки и боты как механизмы информационных искажений в социальных сетях. Казанский социально-гуманитарный вестник. 2019. № 2(37). С. 24–30.
14. Третьяков А.О., Филатова О.Г., Жук Д.В., Горлушкина Н.Н., Пучковская А.А. Метод определения русскоязычных фейковых новостей с использованием элементов искусственного интеллекта. International Journal of Open Information Technologies. 2018. Т. 6. № 12. С. 99–105.
15. Жук Д.А., Жук Д.В., Третьяков А.О. Методы определения поддельных новостей в социальных сетях с использованием машинного обучения. Информационные ресурсы России. 2018. № 3(163). С. 29–32.
16. Face news. Available at: https://en.wikipedia.org/wiki/Fake_news (accessed 10.02.2023).
17. Wang Y., Ma F., Jin Z., Yuan Y., Xun G., Jha K., Su L., Gao J. Eann: Event adversarial neural networks for multi-modal fake news detection. Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. NY, USA: Association for Computing Machinery, 2018. p. 849–857. DOI: 10.1145/3219819.3219903.
18. Du J., Dou Y., Xia C., Cui L., Ma J., Yu P.S. Cross-lingual covid-19 fake news detection. International Conference on Data Mining Workshops (ICDMW). 2021. pp. 859–862. DOI: 10.1109/ICDMW53433.2021.00110.
19. Perez-Rosas V., Kleinberg B., Lefevre A., Mihalcea R. Automatic detection of fake news. Proceedings of the 27th International Conference on Computational Linguistics. Santa Fe, New Mexico, USA: Association for Computational Linguistics, 2018. pp. 3391–3401.
20. Sharma U., Saran S., Patil S. Fake news detection using machine learning algorithms. international journal of creative research thoughts – IJCRT. 2020. vol. 8(6). pp. 2320–2882.
21. Ahmed A.A.A., Aljabouh A., Donepudi P.K., Choi M.S. Detecting fake news using machine learning: A systematic literature review. Psychology and education. 2021. vol. 58(1). pp. 1932-1939.
22. Aldwairi M., Alwahedi A. Detecting fake news in social media networks. Procedia Computer Science. The 9th International Conference on Emerging Ubiquitous Systems and Pervasive Networks (EUSPN-2018). 2018. vol. 141. pp. 215–222.
23. Hu L., Wei S., Zhao Z., Wu B. Deep learning for fake news detection: A comprehensive survey. AI Open. 2022. vol. 3. pp. 133–155. Available at: https://www.sciencedirect.com/science/article/pii/S2666651022000134.
24. Jose X., Kumar S.M., Chandran P. Characterization, classification and detection of fake news in online social media networks. 2021 IEEE Mysore Sub Section International Conference (MysuruCon). 2021. pp. 759–765.
25. Kato S., Yang L., Ikeda D. Domain bias in fake news datasets consisting of fake and real news pairs. 12th International Congress on Advanced Applied Informatics (IIAI-AAI). 2022. pp. 101–106.
26. Yu W., Ge J., Yang Z., Dong Y., Zheng Y., Dai H. Multi-domain fake news detection for history news environment perception. IEEE 17th Conference on Industrial Electronics and Applications (ICIEA). 2022. pp. 428–433.
27. Borkar T.H., Ahuja T. Comparative study of supervised learning algorithms for fake news classification. 6th International Conference on Trends in Electronics and Informatics (ICOEI). 2022. pp. 1405–1411.
28. Lu M.F., Renaldy, Ciptadi V., Nathanael R., Andaria K.S., Girsang A.S. Fake news classifier with deep learning. International Conference on Informatics Electrical and Electronics (ICIEE). 2022. pp. 1–4. DOI: 10.1109/ICIEE55596.2022.10010120.
29. Zubiaga A., Liakata M., Procter R. Exploiting context for rumour detection in social media. Social Informatics. (Eds: Ciampaglia G.L., Mashhadi A., Yasser T.). Cham: Springer International Publishing, 2017. pp. 109–123.
30. Shahi G.K., Nandini D. Fakecovid – A multilingual cross-domain fact check news dataset for COVID-19. CoRR, abs/2006.11343. 2020. 16 p. Available at: https://arxiv.org/abs/2006.11343.
31. Li Y., Jiang B., Shu K., Liu H. MM-COVID: A multilingual and multimodal data repository for combating COVID-19 disinformation. CoRR, abs/2011.04088. 2020. Available at: https://arxiv.org/abs/2011.04088.
32. Kumar V., Kumar A., Singh A.K., Pachauri A. Fake news detection using machine learning and natural language processing. International Conference on Technological Advancements and Innovations (ICTAI). 2021. pp. 547–552.
33. Della Vedova M.L., Tacchini E., Moret S., Ballarin G., DiPierro M., de Alfaro L. Automatic online fake news detection combining content and social signals. 22nd Conference of Open Innovations Association (FRUCT). 2018. pp. 272–279.
34. Bian T., Xiao X., Xu T., Zhao P., Huang W., Rong Y., Huang J. Rumor detection on social media with bi-directional graph convolutional networks. AAAI Conference on Artificial Intelligence. 2020. DOI: 10.1609/AAAI.V34I01.5393.
35. Sharma D.K., Shrivastava P., Garg S. Utilizing word embedding and linguistic features for fake news detection. 9th International Conference on Computing for Sustainable Global Development (INDIACom). 2022. pp. 844–848.
36. Trang N.T.M., Shcherbakov M. Vietnamese question answering system from multilingual bert models to monolingual BERT model. 9th International Conference System Modeling and Advancement in Research Trends (SMART). 2020. pp. 201–206.
37. Chinnalagu A., Durairaj A.K. Comparative analysis of BERT-base transformers and deep learning sentiment prediction models. 11th International Conference on System Modeling Advancement in Research Trends (SMART). 2022. pp. 874–879.
38. Min C., Ahn J., Lee T., Im D.-H. Tk-bert: Effective model of language representation using topic-based knowledge graphs. 17th International Conference on Ubiquitous Information Management and Communication (IMCOM). 2023. pp. 1–4.
39. Sebastian D., Purnomo H.D., Sembiring I. Bert for natural language processing in bahasa Indonesia. 2nd International Conference on Intelligent Cybernetics Technology Applications (ICICyTA). 2022. pp. 204–209.
40. Holbert R.L. A typology for the study of entertainment television and politics. American Behavioral Scientist. 2005. vol. 49. no. 3. pp. 436–453.
41. Baptista J.P., Gradim A. A working definition of fake news. Encyclopedia. 2022. vol. 2. no. 1. pp. 632–645.
42. Farkas J., Schou J. Fake news as a floating signifier: Hegemony, antagonism and the politics of falsehood. Javnost-The Public. 2018. vol. 25. no. 3. pp. 298–314.
43. Thi T.-A.N., Vuong T.-H., Le T.-H., Phan X.-H., Le T.-T., Ha Q.-T. Knowledge base completion with transfer learning using bert and fasttext. 14th International Conference on Knowledge and Systems Engineering (KSE). 2022. pp. 1–6.
44. Nguyen Thi C.-V., Vuong T.-T., Le D.-T., Ha Q.-T. v3mfnd: A deep multi-domain multimodal fake news detection model for Vietnamese. Intelligent Information and Database Systems (Eds.: Nguyen N.T., Tran T.K., Tukayev U., Hong T.-P., Trawinski B., Szczerbicki E.). Cham: Springer International Publishing, 2022. pp. 608–620.
45. Pham N.-D., Le T.-H., Do T.-D., Vuong T.-T., Vuong T.-H., Ha Q.-T. Vietnamese fake news detection based on hybrid transfer learning model and TF-IDF. 13th International Conference on Knowledge and Systems Engineering (KSE). 2021. pp. 1–6.
46. Shahid W., Li Y., Staples D., Amin G., Hakak S., Ghorbani A. Are you a cyborg, bot or human? – a survey on detecting fake news spreaders. IEEE Access, 2022. vol. 10. pp. 27069–27083.
47. Wang C.-C. Fake news and related concepts: Definitions and recent research development. Contemporary Management Research. 2020. vol. 16. no. 3. pp. 145–174.
48. Umer M., Imtiaz Z., Ullah S., Mehmood A., Choi G.S., On B.-W. Fake news stance detection using deep learning architecture (CNN-LSTM). IEEE Access, 2020. vol. 8. pp. 156695–156706.
49. Abonizio H.Q., de Morais J.I., Tavares G.M., Barbon Junior V. Language-independent fake news detection: English, portuguese, and spanish mutual features. Future Internet. 2020. vol. 12. no. 5. Available at: https://www.mdpi.com/1999-5903/12/5/87.
50. Sayyadiharikandeh M., Varol O., Yang K.-C., Flammini A., Menczer F. Detection of novel social bots by ensembles of specialized classifiers. CoRR, abs/2006.06867. 2020. Available at: https://arxiv.org/abs/2006.06867.
51. Wang R. Shi Y. Research on application of article recommendation algorithm based on word2vec and TFIDF. IEEE International Conference on Electrical Engineering, Big Data and Algorithms (EEBDA). 2022. pp. 454–457.
52. Devlin J., Chang M.-W., Lee K., Toutanova K. Bert: Pre-training of deep bidirectional transformers for language understanding. 2019. 16 p. DOI: 10.48550/arXiv.1810.04805.
53. Qu Y., Liu P., Song W., Liu L., Cheng M. A text generation and prediction system: Pre-training on new corpora using BERT and GPT-2. IEEE 10th International Conference on Electronics Information and Emergency Communication (ICEIEC). 2020. pp. 323–326.
54. Du L., Hu C. Text similarity detection method of power customer service work order based on tfidf algorithm. IEEE 5th International Conference on Information Systems and Computer Aided Education (ICISCAE). 2022. pp. 978–982.
55. Nguyen D.Q., Nguyen A.T. PhoBERT: Pre-trained language models for Vietnamese in Findings of the Association for Computational Linguistics: EMNLP 2020. 2020. pp. 1037–1042.
56. Liu Y., Wu Y.-F.B. FNED: A deep network for fake news early detection on social media. ACM Trans. Inf. Syst. 2020. vol. 38. no. 3. DOI: 10.1145/3386253.
57. Fake news dataset. Available at: https://github.com/Hung1239/fake-news.git (accessed 02.05.2023).
58. Nguyen H., Dao T.N., Pham N.S., Dang T.L., Nguyen T.D., Truong T.H. An accurate viewport estimation method for 360 video streaming using deep learning. EAI Endorsed Transactions on Industrial Networks and Intelligent Systems. 2022. vol. 9. no. 4. p. e2. DOI: 10.4108/eetinis.v9i4.2218.
59. Panda M., Mousa A.A.A., Hassanien A.E. Developing an efficient feature engineering and machine learning model for detecting iot-botnet cyber attacks. IEEE Access. 2021. vol. 9. pp. 91038–91052.

Просмотры	971
Скачивания	517

Информационная безопасность

AAFNDL — точная модель распознавания поддельной информации с использованием глубокого обучения вьетнамского языка

DOI:

Ключевые слова:

Аннотация

Литература

Опубликован

Статистика

Как цитировать

Выпуск

Раздел

Импакт-фактор

Разделы

Мы в сети

Обратная связь