Інтелектуальна система передбачення фейкових новин на основі технологій NLP та машинного навчання

Abstract

У статті описано дослідження ідентифікації фейкових новин на основі опрацювання природної мови, аналізу великих даних і технології глибокого навчання. Розроблена система автоматично перевіряє новини на наявність ознак фейкових новин, як-от: використання маніпулятивної мови, неперевірених джерел і недостовірної інформації. Візуалізація даних реалізована на основі дружнього інтерфейсу користувача, який відображає результати аналізу новин у зручному та зрозумілому форматі. Для класифікації новин розроблена нейронна мережа з використанням двонаправленої рекурентної нейронної мережі LSTM (BRNN) і двонаправлені шари в моделі. Дослідження демонструє кращі показники аналізу новин на основі LSTM з 8 епохами порівняно з аналогічними роботами з 3–4 епохами (99 % проти 85–96 %). Моделі глибокого навчання, як-от двонаправлений LSTM, мають високу точність у розпізнаванні шаблонів у текстових даних, що забезпечує кращі результати. Модель показала високу точність на тестовій вибірці, що свідчить про її здатність до ефективного розпізнавання фейкових новин. Матриця плутанини показала, що всі новини класифіковані правильно. Класифікаційний звіт підтвердив високу точність, повноту та F1-оцінку для обох класів (справжні та фейкові новини). The article describes a study of identification of fake news based on natural language processing, big analysis and deep learning technology. The developed system automatically checks the news for signs of fake news, such as the use of manipulative language, unverified sources and unreliable information. Data visualization is implemented on the basis of a friendly user interface that displays the results of news analysis in a convenient and understandable format. For news classification, a neural network was developed using LSTM bidirectional recurrent neural network (BRNN) and bidirectional layers in the model. The study demonstrates better performance of news analysis based on LSTM with 8 epochs compared to similar works with 3–4 epochs (99 % vs. 85–96 %). Deep learning models such as bidirectional LSTM are highly accurate in recognizing patterns in textual data, providing better results. The model showed high accuracy on the test sample, which indicates its ability to effectively recognize fake news. The confusion matrix showed that all the news items were classified correctly. The classification report confirmed high accuracy, completeness and F1 score for both classes (real and fake news).