University Sétif 1 FERHAT ABBAS Faculty of Sciences
Résultat de la recherche
1 résultat(s) recherche sur le mot-clé 'Fake news Social networks Social bot detection'
Ajouter le résultat dans votre panier Affiner la recherche Générer le flux rss de la recherche
Partager le résultat de cette recherche
Titre : FAKE NEWS DETECTION ON SOCIAL MEDIA DOCUMENTS Type de document : texte imprimé Auteurs : Zineb Ferhat Hamida, Auteur ; Drif ahlem, Directeur de thèse Editeur : Sétif:UFA1 Année de publication : 2023 Importance : 1 vol (98 f.) Format : 29 cm Langues : Anglais (eng) Catégories : Informatique Mots-clés : Fake news
Social networks
Social bot detectionIndex. décimale : 004 Informatique Résumé :
Due to the rise of social media platforms, a new political, economical and cultural climate
arose in which the prevalence of fake news grew significantly. Thus, there are wide
implications of false information for both individuals and society. For humans, it is
difficult to identify and classify fake news through heuristics, common sense, and analysis.
The objective of this Ph.D. research is to suggest automated intelligent approaches for
detecting fake news sources, especially social bots. Social bots are autonomous entities that
generate significant social media content. In our thesis, we present two main contributions:
the first one presents “Sentiment Analysis-based Model for Bot Detection on Social
Media” (Deep Bi-LSTM) that incorporates different sentiment and semantic features to
perform the bots detection. Experiment on the cresci-2017 dataset shows that our approach
can achieve competitive performance with 97.36% of accuracy. The second contribution
captures the linguistic-based features by developing a novel framework that we have called
“Hybrid Mixing Engineered Linguistic framework Features Based on Autoencoder”. This
framework is split into two segments: the features learner and a deep neural networks
classifier. The feature learner aims at performing the feature extraction task due to a deep
autoencoder based on dense layers and a BiLSTM autoencoder. We enhance the feature
extractor: (i) by feeding the lexical and syntactic features to the first autoencoder to
represent the high-order features in latent space; (ii) by building the semantic and the
context features using the BiLSTM autoencoder; (iii) the merging of the two previous
trained encoder blocks would generate a compacted data based on elite features. This
architecture help us to discover human writing style patterns accurately. Experiments
conducted on real datasets show that a significant improvement can be achieved for finegrained bots detection with 92.22% of accuracy = En raison de la monte´e en puissance des plateformes de me´dias sociaux, un nouveau
climat politique, e´conomique et culturel est apparu dans lequel la pre´valence des fausses
nouvelles a conside´rablement augmente´. Ainsi, les fausses informations ont de vastes
implications tant pour les individus que pour la socie´te´. Pour les humains, il est difficile
d’identifier et de classer les fausses nouvelles par l’heuristique, le bon sens et l’analyse.
L’objectif de cette the`se de doctorat est de proposer des approches intelligentes automatise´es
pour de´tecter les fausses sources d’informations, en particulier les robots sociaux. Les
robots sociaux sont des entite´s autonomes qui ge´ne`rent un contenu important sur les re´seaux
sociaux. Dans notre the`se, nous pre´sentons deux contributions principales : la premie`re
approche est un mode`le “ Sentiment Analysis-based Model for Bot Detection on Social
Media ” (Deep Bi-LSTM) qui inte`gre diffe´rentes fonctionnalite´s de sentiment et de la
sémantique pour effectuer la de´tection des bots. Les expe´rimentations sur le jeu de donne´es
cresci-2017 montrent que notre approche peut atteindre des performances compe´titives avec
une précision de 97.36%. La deuxie`me contribution capture les fonctionnalite´s base´es sur la
linguistique en de´veloppant une nouvelle framework appele´e “Hybrid Mixing Engineered
Linguistic Features Framework Based on Autoencoder”. Cette framework comporte deux
composants : l’apprenant de caracte´ristiques et un classificateur de re´seaux de neurones
profonds. L’apprenant de fonctionnalite´s est constitue´ d’un autoencodeur profond base´ sur
des couches denses et un deuxie`me autoencodeur BiLSTM. Ce qui a permis d’extraire des
caracte´ristiques pertinentes par les encodeurs tout en appliquant l’apprentissage par
transfert. Cette architecture discerne correctement les diffe´rences dans le style d’e´criture
des humains et des bots. Ensuite, les initialisation des classificateurs avec les
fonctionnalite´s transfe´re´es a nettement ame´liore´ les performances de la de´tection de bots
avec un précision de 92.22%.Côte titre : DI/0077 En ligne : http://dspace.univ-setif.dz:8888/jspui/handle/123456789/4269 Format de la ressource électronique : FAKE NEWS DETECTION ON SOCIAL MEDIA DOCUMENTS [texte imprimé] / Zineb Ferhat Hamida, Auteur ; Drif ahlem, Directeur de thèse . - [S.l.] : Sétif:UFA1, 2023 . - 1 vol (98 f.) ; 29 cm.
Langues : Anglais (eng)
Catégories : Informatique Mots-clés : Fake news
Social networks
Social bot detectionIndex. décimale : 004 Informatique Résumé :
Due to the rise of social media platforms, a new political, economical and cultural climate
arose in which the prevalence of fake news grew significantly. Thus, there are wide
implications of false information for both individuals and society. For humans, it is
difficult to identify and classify fake news through heuristics, common sense, and analysis.
The objective of this Ph.D. research is to suggest automated intelligent approaches for
detecting fake news sources, especially social bots. Social bots are autonomous entities that
generate significant social media content. In our thesis, we present two main contributions:
the first one presents “Sentiment Analysis-based Model for Bot Detection on Social
Media” (Deep Bi-LSTM) that incorporates different sentiment and semantic features to
perform the bots detection. Experiment on the cresci-2017 dataset shows that our approach
can achieve competitive performance with 97.36% of accuracy. The second contribution
captures the linguistic-based features by developing a novel framework that we have called
“Hybrid Mixing Engineered Linguistic framework Features Based on Autoencoder”. This
framework is split into two segments: the features learner and a deep neural networks
classifier. The feature learner aims at performing the feature extraction task due to a deep
autoencoder based on dense layers and a BiLSTM autoencoder. We enhance the feature
extractor: (i) by feeding the lexical and syntactic features to the first autoencoder to
represent the high-order features in latent space; (ii) by building the semantic and the
context features using the BiLSTM autoencoder; (iii) the merging of the two previous
trained encoder blocks would generate a compacted data based on elite features. This
architecture help us to discover human writing style patterns accurately. Experiments
conducted on real datasets show that a significant improvement can be achieved for finegrained bots detection with 92.22% of accuracy = En raison de la monte´e en puissance des plateformes de me´dias sociaux, un nouveau
climat politique, e´conomique et culturel est apparu dans lequel la pre´valence des fausses
nouvelles a conside´rablement augmente´. Ainsi, les fausses informations ont de vastes
implications tant pour les individus que pour la socie´te´. Pour les humains, il est difficile
d’identifier et de classer les fausses nouvelles par l’heuristique, le bon sens et l’analyse.
L’objectif de cette the`se de doctorat est de proposer des approches intelligentes automatise´es
pour de´tecter les fausses sources d’informations, en particulier les robots sociaux. Les
robots sociaux sont des entite´s autonomes qui ge´ne`rent un contenu important sur les re´seaux
sociaux. Dans notre the`se, nous pre´sentons deux contributions principales : la premie`re
approche est un mode`le “ Sentiment Analysis-based Model for Bot Detection on Social
Media ” (Deep Bi-LSTM) qui inte`gre diffe´rentes fonctionnalite´s de sentiment et de la
sémantique pour effectuer la de´tection des bots. Les expe´rimentations sur le jeu de donne´es
cresci-2017 montrent que notre approche peut atteindre des performances compe´titives avec
une précision de 97.36%. La deuxie`me contribution capture les fonctionnalite´s base´es sur la
linguistique en de´veloppant une nouvelle framework appele´e “Hybrid Mixing Engineered
Linguistic Features Framework Based on Autoencoder”. Cette framework comporte deux
composants : l’apprenant de caracte´ristiques et un classificateur de re´seaux de neurones
profonds. L’apprenant de fonctionnalite´s est constitue´ d’un autoencodeur profond base´ sur
des couches denses et un deuxie`me autoencodeur BiLSTM. Ce qui a permis d’extraire des
caracte´ristiques pertinentes par les encodeurs tout en appliquant l’apprentissage par
transfert. Cette architecture discerne correctement les diffe´rences dans le style d’e´criture
des humains et des bots. Ensuite, les initialisation des classificateurs avec les
fonctionnalite´s transfe´re´es a nettement ame´liore´ les performances de la de´tection de bots
avec un précision de 92.22%.Côte titre : DI/0077 En ligne : http://dspace.univ-setif.dz:8888/jspui/handle/123456789/4269 Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité DI/0077 DI/0077 Thèse Bibliothéque des sciences Anglais Disponible
Disponible