一种集成贝叶斯优化与双向门控循环单元的假新闻检测混合变换器模型
计算与语言
2025-03-04 v2
摘要
本文提出了一种优化变换器模型，将贝叶斯算法与双向门控循环单元 (BiGRU) 集成，用于假新闻检测。首先，我们采用 TF-IDF 方法从新闻文本中提取特征，将其转换为数值表示，以便后续机器学习任务。随后，对假新闻检测和分类分别进行两组实验：一组仅使用 BiGRU 优化的变换器模型，另一组将贝叶斯算法纳入 BiGRU 基于的变换器模型中。实验结果表明，BiGRU 优化的变换器模型在训练集上达到 100% 准确率，在测试集上达到 99.67% 准确率，而加入贝叶斯算法后，训练集仍保持 100% 准确率，测试集准确率提升至 99.73%。这表明贝叶斯算法将模型准确率提升了 0.06%，进一步增强了假新闻检测能力。此外，所提出的算法在约第 10 个训练时代即可快速收敛，准确率趋近于 100%，显示出其有效性和快速分类能力。总体而言，经过贝叶斯算法和 BiGRU 优化的变换器模型表现出色，具有出色的持续学习和检测性能，为应对信息过载时代的假新闻传播提供了稳健的技术手段。
引用
@article{arxiv.2502.09097,
title = {A Hybrid Transformer Model for Fake News Detection: Leveraging Bayesian Optimization and Bidirectional Recurrent Unit},
author = {Tianyi Huang and Zeqiu Xu and Peiyang Yu and Jingyuan Yi and Xiaochuan Xu},
journal= {arXiv preprint arXiv:2502.09097},
year = {2025}
}