一种用于检测虚假新闻文章的正则化 LSTM 方法

当今,虚假新闻的快速传播构成重大问题,因其能散布误导信息与混淆视听。本文旨在开发一种先进的机器学习方案以检测虚假新闻文章。利用包含 23,502 篇虚假新闻与 21,417 篇真实新闻的综合数据集,我们实现并评估了三个机器学习模型。该数据集来源多样,提供了标题、正文、主题和日期四类丰富文本特征,这些特征对于训练区分虚假与真实新闻的稳健分类模型至关重要。初始模型采用长短期记忆(LSTM)网络,准确率达 94%。第二模型引入额外正则化技术并微调超参数,准确率提升至 97%。最终模型融合前两者优势并采用先进优化策略,达到 98% 的峰值准确率。这些结果证明了我们方法在高精度识别虚假新闻方面的有效性。这些模型的实现展示了自然语言处理与机器学习技术的显著进步,为打击误导信息提供了宝贵工具。我们的工作凸显了此类模型在现实应用中部署的潜力,为自动化虚假新闻检测提供了可靠方法,增强了新闻传播的可信度。