基于多数投票技术的假新闻检测

由于网络和社交网络平台的演进，信息传播变得非常容易。人们创建和分享的信息比以往任何时候都多，其中可能包含误导性信息、错误信息或虚假信息。由于可用信息的非结构化特性，假新闻检测是一项关键且具有挑战性的任务。近年来，研究人员已提出重要方案来应对假新闻检测问题，但因其固有特性，仍存在许多开放性问题。本文提出一种多数投票方法来检测假新闻文章。我们利用假新闻与真实新闻的不同文本特征。我们使用公开可用的假新闻数据集，包含20,800篇新闻文章，其中10,387篇为真实新闻，10,413篇为假新闻，标记为二值0和1。为评估我们的方法，我们使用了常用的机器学习分类器，如决策树、逻辑回归、XGBoost、随机森林、Extra Trees、AdaBoost、SVM、SGD和朴素贝叶斯。利用上述分类器，我们基于多数投票技术构建了多模型假新闻检测系统，以获得更准确的结果。实验结果表明，我们提出的方法达到了96.38%的准确率、96%的精确率、96%的召回率和96%的F1值。评估证实，与单一学习技术相比，多数投票技术取得了更可接受的结果。