利用双向门控循环单元和深度学习技术增强孟加拉语假新闻检测
计算与语言
2024-04-03 v1 机器学习
摘要
假新闻的兴起使得有效检测方法的需求日益重要，包括英语以外的语言。本研究旨在解决孟加拉语（被认为是一种不太重要的语言）的挑战。为此，提出了一个包含约50,000条新闻的完整数据集。在该数据集上测试了多种深度学习模型，包括双向门控循环单元（GRU）、长短期记忆（LSTM）、一维卷积神经网络（CNN）和混合架构。在本研究中，我们使用一系列有用的指标（包括召回率、精确率、F1分数和准确率）评估了模型的有效性。我们进行了全面的实验，展示了这些模型在识别孟加拉语假新闻方面的有效性，其中双向GRU模型的准确率高达99.16%。我们的分析强调了数据集平衡的重要性以及持续改进努力的必要性。这项研究为资源有限的孟加拉语假新闻检测系统的创建做出了重要贡献，从而为检测过程的未来改进奠定了基础。
引用
@article{arxiv.2404.01345,
title = {Enhancing Bangla Fake News Detection Using Bidirectional Gated Recurrent Units and Deep Learning Techniques},
author = {Utsha Roy and Mst. Sazia Tahosin and Md. Mahedi Hassan and Taminul Islam and Fahim Imtiaz and Md Rezwane Sadik and Yassine Maleh and Rejwan Bin Sulaiman and Md. Simul Hasan Talukder},
journal= {arXiv preprint arXiv:2404.01345},
year = {2024}
}
备注
Accepted for publication in the 7th International Conference on Networking, Intelligent Systems & Security. The conference Proceedings will be published by ACM International Conference Proceeding Series (ICPS) ISBN N{\deg}: 979-8-4007-0019-4. 8 pages, 11 figures