Ημερολόγιο Εκδηλώσεων

Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών

Πρόγραμμα Προπτυχιακών Σπουδών

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

ΜΙΧΑΗΛ ΜΕΡΣΙΝΙΑ

με θέμα

Αποτελεσματική Ανίχνευση “Ψευδών Ειδήσεων” με χρήση Τεχνικών Μηχανικής Μάθησης

Effective Fake News Detection using Machine Learning Techniques

Τρίτη 17 Σεπτεμβρίου 2019, 12 μ.μ.

Αίθουσα 2042, Κτίριο Επιστημών, Πολυτεχνειούπολη

Εξεταστική Επιτροπή

Aναπληρωτής Καθηγητής Γεώργιος Χαλκιαδάκης (επιβλέπων)

Aναπληρωτής Καθηγητής Μιχαήλ Γ. Λαγουδάκης

Aναπληρωτής Καθηγητής Στέργος Αφαντενός (IRIT, Universite Paul Sabatie, France)

Περίληψη

Τα τελευταία χρόνια, η ανίχνευση ψευδών ειδήσεων είναι μια ανερχόμενη περιοχή έρευνας, που συνδέεται με την ανάπτυξη μεθόδων μηχανικής μάθησης (ΜΜ) για την ταυτοποίηση της αυθεντικότητας και την επιτυχή και αποδοτική ταξινόμηση κειμένων ειδήσεων ως ψευδών ή μη.

Στην παρούσα διπλωματική εργασία, προτείνουμε ένα νέο στατιστικό μοντέλο διανυσματικοποίησης κειμένου, που αποσκοπεί στην δημιουργία διανυσμάτων χαρακτηριστικών για την αριθμητική αναπαράσταση ενός αρχείου κειμένου. Η μέθοδός μας, την οποία καλούμε class label frequency distance (CLFD), έχει συγκεκριμένα προτερήματα σε σχέση με ‘’κλασσικές’’ μεθόδους διανυσματικοποίσης κειμένου. Στην εργασία μας εξηγούμε το πώς μπορεί να ενσωματωθεί σε μεθόδους MM που χρησιμοποιούνται για ταξινόμηση κειμένων. Δεικνύουμε πειραματικά ότι η CLFD αποτελεί έναν αποτελεσματικό τρόπο για την βελτίωση της απόδοσης των μεθόδων αυτών.

Πιο συγκεκριμένα, κατά την πειραματική διαδικασία, η οποία διεξήχθη στο πεδίο της ανίχνευσης ψευδών ειδήσεων, επαληθεύεται ότι τα αποτελέσματα συγκεκριμένων παραδοσιακών μεθόδων ΜΜ με αποδοτική πολυπλοκότητα που χρησιμοποιούν την προτεινόμενη μέθοδο διανυσματικοποίησης, είναι στατιστικά καλύτερα σε σχέση με αυτά των υψηλής πολυπλοκότητας μεθόδων βαθιάς μάθησης για μικρού και μεσαίου όγκου συλλογές αρχείων ειδήσεων - ενώ ταυτόχρονα, η απόδοση των μεθόδων είναι παρόμοια για μεγάλου όγκου συλλογές.

Ακολούθως, προτείνουμε μία νέα, υβριδική μέθοδο MM που συνδυάζει την παραδοσιακή και αποδοτική μέθοδο ‘’λογιστικής παλινδρόμησης’’ (‘’logistic regression’’) η οποία αξιοποιεί το στατιστικό μας μοντέλο και μία μη γραμμική μέθοδο βαθιάς μάθησης. Αποδυκνύουμε πειραματικά ότι η απόδοση της υβριδικής μεθόδου ξεπερνάει αυτήν των μη γραμμικών μεθόδων βαθιάς μάθησης ακόμα και για μεγάλου όγκου συλλογές αρχείων.

Τέλος, σε δύο συλλογές αρχείων ειδήσεων που χρησιμοποιούνται στη βιβλιογραφία, η εφαρμογή του στατιστικού μας μοντέλου είχε ως αποτέλεσμα η απόδοση τόσο της υβριδικής μεθόδου όσο και ορισμένων κλασικών μεθόδων μηχανικής μάθησης να είναι σημαντικά καλύτερη από αυτήν που αναφέρεται σε πρόσφατη σχετική ερευνητική δημοσίευση.

Abstract

Fake news detection has in recent years emerged as an important new research area, necessitating the development of effective machine learning (ML) solutions in order to identify the authenticity of reported news, and classify them as fake or not.

Against this background, in this thesis we put forward a novel text vectorization approach, that generates feature vectors of numerical statistics to describe a document. Our so-called class label frequency distance (CLFD), bears certain advantages when compared to ‘’classic’’ text vectorization methods. Moreover, we detail how to incorporate the approach within certain ML methods used for document classification. CLFD is shown experimentally to provide an effective way for boosting the performance of those ML methods.

Specifically, our experiments, carried out in the fake news detection domain, verify that efficient traditional ML methods that use our vectorization approach, consistently outperform deep learning methods that use word embeddings for small and medium sized datasets, while the results are comparable for large datasets. In addition, we demonstrate that a novel hybrid method that utilizes both a CLFD-boosted logistic regression classifier and a deep learning one, clearly outperforms deep learning methods even in large datasets.

Finally, for two datasets used in the literature, our CLFD vectorization approach allows both the hybrid method and certain traditional machine learning methods to provide significantly better results than those reported in recent published work within the fake news detection domain.