Εκτίμηση και Επικύρωση Περιεχομένου με Χρήση Μεθόδων Μηχανικής Μάθησης

Abstract

Η συγκεκριμένη εργασία, προτείνει μια εναλλακτική μέθοδο για την επίλυση του προβλήματος επικύρωσης εγκυρότητας περιεχομένου. Η έλλειψη αξιόπιστων συνόλων δεδομένων, συνδυαστικά με τους περιορισμούς των μεθόδων αναπαράστασης κειμένου, αποτελούσαν για πολλά χρόνια πρόκληση για τους ερευνητές που αξιοποιούσαν τεχνικές μηχανικής μάθησης στην ταξινόμηση των δειγμάτων. Ο σκοπός της προτεινόμενης μεθοδολογίας, είναι η βελτιστοποίηση προσεγγίσεων μηχανικής μάθησης που χρησιμοποιούνται για την ανίχνευση των fake news. Στην παρούσα έρευνα, πραγματοποιείται σύγκριση και μελέτη πολλαπλών συνόλων δεδομένων, συνδυαστικά με μια σύγχρονη μέθοδο αναπαράστασης κειμένου που αξιοποιεί το πλαίσιο χρήσης των λέξεων, βασισμένη σε μηχανισμούς προσοχής. Τα δείγματα των συνόλων δεδομένων ISOT, LIAR, FakeNewsNet, PHEME και FakeNewsChallenge κωδικοποιούνται με χρήση του μοντέλου DistilBERT, το οποίο βασίζεται σε δομές μετασχηματιστών (transformers). Στη συνέχεια, οι αναπαραστάσεις των δειγμάτων τροφοδοτούν αρχιτεκτονικές νευρωνικών δικτύων που αναπτύχθηκαν στο πλαίσιο της εργασίας και έπειτα επιβεβαιώνεται η αποτελεσματικότητα της εκάστοτε αρχιτεκτονικής, μέσω μιας διαδικασίας διασταυρωμένης επικύρωσης. Η μεθοδολογία, οδήγησε σε βελτιωμένη απόδοση συγκριτικά με προσεγγίσεις που αξιοποιούν συμβατικές τεχνικές αναπαράστασης κειμένου. Το συμπέρασμα που προκύπτει από τα πειράματα, είναι πως η χρήση εμφυτευμάτων που βασίζονται στο πλαίσιο χρήσης των λέξεων προσφέρουν πολύ πιο ικανοποιητικά αποτελέσματα στην ταξινόμηση περιεχομένου σε όλα τα σύνολα δεδομένων.