Εντοπισμός και ανάλυση ψευδών ειδησεογραφικών άρθρων με χρήση βαθέων τεχνητών νευρωνικών δικτύων και μοντελοποίησης θεμάτων

Πουρνάρα, Δήμητρα

dc.contributor.advisor	Αποστόλου, Δημήτριος
dc.contributor.author	Πουρνάρα, Δήμητρα
dc.date.accessioned	2020-10-15T09:09:39Z
dc.date.available	2020-10-15T09:09:39Z
dc.date.issued	2020-10-01
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/12959
dc.identifier.uri	http://dx.doi.org/10.26267/unipi_dione/382
dc.description.abstract	Το πρόβλημα της διασποράς ψευδών ειδήσεων έχει λάβει μεγάλες διαστάσεις στην διαδικτυακή εποχή και ανά περίσταση διώκεται ποινικά. Οι πληροφορίες μπορούν να διαδίδονται χωρίς κάποιο φίλτρο αξιοπιστίας της πληροφόρησης, γεγονός που ενέχει κινδύνους ανάλογα με την απήχηση και τους αποδέκτες, ειδικά όταν αφορά σε σοβαρά ζητήματα όπως δημόσιας υγείας και ασφάλειας. Ο όγκος των πληροφοριών και η ταχύτητα μετάδοσής τους καθιστούν σχεδόν ανέφικτη την έγκαιρη ανάλυσή τους χωρίς την χρήση νέων τεχνολογιών. Η παρούσα μελέτη πραγματεύεται το πρόβλημα του εντοπισμού των ψευδών ειδησεογραφικών άρθρων με χρήση βαθέων τεχνητών νευρωνικών δικτύων Long Short-Term Memory. Στα ειδησεογραφικά άρθρα εφαρμόζεται επιπρόσθετη σημασιολογική ανάλυση με τεχνικές επεξεργασίας της φυσικής γλώσσας και μοντελοποίησης θεμάτων, σε μία προσέγγιση αναζήτησης και σύγκρισης μοτίβων στις θεματολογίες των ψευδών και αληθών άρθρων. Για τις ανάγκες του πειράματος χρησιμοποιήθηκαν τέσσερεις συλλογές πραγματικών δημοσιευμάτων που αγγίζουν τις 60.000 εγγραφές και δύο συλλογές για τον έλεγχο των τελικών μοντέλων. Σκιαγραφείται το απαραίτητο θεωρητικό υπόβαθρο που πλαισιώνεται από τους τομείς της μηχανικής μάθησης και της επιστήμης δεδομένων. Η παρουσίαση της μεθοδολογίας και της υλοποίησης του πειράματος ακολουθείται από την ανάλυση των αποτελεσμάτων. Συμπερασματικά διατυπώνονται παρατηρήσεις και μελλοντικές βελτιώσεις.	el
dc.format.extent	61	el
dc.language.iso	el	el
dc.publisher	Πανεπιστήμιο Πειραιώς	el
dc.rights	Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές	*
dc.rights	Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/	*
dc.title	Εντοπισμός και ανάλυση ψευδών ειδησεογραφικών άρθρων με χρήση βαθέων τεχνητών νευρωνικών δικτύων και μοντελοποίησης θεμάτων	el
dc.title.alternative	Fake news detection and analysis using artificial neural networks and latent topic analysis	el
dc.type	Master Thesis	el
dc.contributor.department	Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής	el
dc.description.abstractEN	In the internet era, the spread of fake news has grown and might even lead to legal actions per occasion. The dissemination of information without a prior credibility check on their reliability, combined with their popularity and the targeted audience, may involve risks especially on important issues, such as public health and safety. The increased volume and diffusion speed of the information makes their timely analysis almost impossible except when new technologies are utilized. This dissertation approaches the problem of fake news detection using Lοng Short-Term Memory deep neural networks. Additional semantic analysis was performed to identify and compare patterns in the topics of fake and real news respectively, using natural language processing and topic modeling techniques. The dataset of the experiment is a combination of four separate datasets constituting a unified set of 60,000 fake and real news articles. Two more datasets were combined to construct the unseen dataset for the finalized models. The theoretical background is discussed covering aspects of machine learning and data science. The representation of the methodologies and the implementation of the models is followed by the research results. In conclusion observations and future improvements are discussed.	el
dc.contributor.master	Προηγμένα Συστήματα Πληροφορικής	el
dc.subject.keyword	Εντοπισμός ψευδών ειδήσεων	el
dc.subject.keyword	Μοντελοποίηση θεμάτων	el
dc.subject.keyword	Βαθιά μάθηση	el
dc.subject.keyword	LDA	el
dc.subject.keyword	LSTM	el
dc.subject.keyword	Tensorflow	el
dc.date.defense	2020-09-30

Αρχεία σε αυτό το τεκμήριο

Name:: Pournara_14078.pdf
Μέγεθος:: 3.187Mb
Τύπος:: PDF
Description:: Μεταπτυχιακή διατριβή

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Τμήμα Πληροφορικής
Department of Informatics

Εμφάνιση απλής εγγραφής

Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές

Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές