Fake news detection via automated deep learning

Yalan haber olgusu, çok eski çağlardan beri ortaya çıkan ve son zamanlarda internetin, özellikle de haber siteleri ve sosyal medyanın yaygınlaşmasıyla birlikte artan korkunç ve eski sorunlardan biridir. Bu sorunun topluluklar ve hükümetler üzerinde ciddi sonuçlara yol açabilecek net olumsuz etkileri vardır. Sonuç olarak, makine öğrenmesi ve derin öğrenme yöntemlerini kullanarak bu sorunu tartışan ve ciddiyetini azaltmaya çalışan birçok araştırma çalışması bulunmaktadır. Bu tür bir çözüm, iyi bir model ve tatmin edici sonuçlar elde etmek için iyi bir deneyim, büyük çaba ve uzun bir deneme ve tekrarlama süresi gerektirir. Otomatik makine öğrenimi (AutoML), makine öğrenimi alanındaki deneyim ihtiyacı, çaba ve zamanla ilgili sorunları çözmeye yardımcı olan en son teknolojilerden biridir ve bu teknoloji, makine öğrenimi alanında çok az deneyime sahip kişilerin mümkün olmasını sağlar. bu alanda çalışmak. Ayrıca bu teknik, geleneksel makine öğrenimi durumunda meydana gelen deneyimleri ve tekrarı azaltır, böylece zaman ve emek azalır. Bu çalışmamızda yalan haberlerin çözümüne katkı sağlamaya çalıştık. Bu amaçla kısa haber içeren yalancı veri setini deneylerimizde kullandık. Sahte haberleri tespit etmek için en uygun modelleri bulmak için otomatik sklearn, TPOT, Auto-Keras ve AutoGluon gibi otomatikleştirilmiş derin öğrenme (AutoDL) dahil olmak üzere çeşitli AutoML kitaplıklarından da yararlandık. Ek olarak, ML modelleriyle özellik çıkarma tekniği olan TF-IDF'yi kullandığımız ML ve DL tekniklerini kullanarak geleneksel modeller oluştururken, DL modelleriyle birlikte Word2Vec ve GloVe gibi kelime gömme tekniklerinden yararlandık. İki yaklaşımın sonuçlarını karşılaştırdık ve sonuçların bir dereceye kadar yakın olduğu sonucuna vardık ve bu, AutoML alanında net bir ilerleme olduğunu gösteriyor.