Uso de red convencional de grafos para clasificar información no valida

Authors

  • Moisés García Villanueva
  • Salvador Ramírez Zavala

DOI:

https://doi.org/10.46932/sfjdv5n5-006

Keywords:

GCN, Redes Neuronales de Grafos, Clasificación de Texto, Noticias Falsas

Abstract

El poder que ha propiciado el Internet y las redes sociales a las personas de publicar contenido, que frecuentemente es parcial y no verificado, ha ocasionado la generación y propagación de noticias falsas. La problemática de propagar una desinformación, rumor o información mal intencionada, puede llegar a tener grandes daños en diferentes aspectos de la sociedad: económicos, de salud física, mental, por mencionar unos cuantos. El objetivo de este trabajo es presentar los resultados de implementar un modelo de Redes Convolucionales de Grafos para clasificar textos de noticias falsas de forma automática. Se presentan los resultados para un conjunto de datos balanceado y diferentes tamaños del conjunto de entrenamiento y prueba. Se concluye que está técnica obtiene resultados competitivos a las del estado del arte de redes neuronales recurrentes para esta tarea.

References

Auxier, B. & Anderson, M. (2021). Social media use in 2021. Pew Research Center.

Bisaillon C. Fake and real news dataset: Classifiing the news. URL: https://www.kaggle.com/clment

bisaillon/fake-and-real-news-dataset. 2019

Kucharski, A. (2016). Study epidemiology of fake news. Nature, 540(7634), 525-525.

Long, Y. (2017). Fake news detection through multi-perspective speaker profiles. Association for Computational Linguistics.

Mathur M. NLP using GloVe Embeddings (99.87% Accuracy). Recuperado em https://www.kaggle.com/

madz2000/nlp-using-glove-embeddings-99-87-accuracy/data. Último acceso el 04/11/2021.

Scarselli, F., Gori, M., Tsoi, A. C., Hagenbuchner, M. & Monfardini, G. (2008). The graph neural network model. IEEE transactions on neural networks, 20(1), 61-80.

Shu, K., Bernard, H. R. & Liu, H. (2019). Studying fake news via network analysis: detection and mitigation. In Emerging research challenges and opportunities in computational social network analysis and mining (pp. 43-65). Springer, Cham.

Shu, K., Sliva, A., Wang, S., Tang, J. & Liu, H. (2017). Fake news detection on social media: A data mining perspective. ACM SIGKDD explorations newsletter, 19(1), 22-36.

Shu, K., Wang, S. & Liu, H. (2018, April). Understanding user profiles on social media for fake news detection. In 2018 IEEE Conference on Multimedia Information Processing and Retrieval (MIPR) (pp. 430-435). IEEE.

Shu, K., Wang, S. & Liu, H. (2019, January). Beyond news contents: The role of social context for fake news detection. In Proceedings of the twelfth ACM international conference on web search and data mining (pp. 312-320).

Silver L (2019). Misinformation and fears about its impact are pervasive in 11 emerging economies. Pew Research Center.

Tacchini, E., Ballarin, G., Della Vedova, M. L., Moret, S. & de Alfaro, L. (2017). Some like it hoax: Automated fake news detection in social networks. arXiv preprint arXiv:1704.07506.

Vosoughi, S., Roy, D. & Aral, S. (2018). The spread of true and false news online. Science, 359(6380), 1146-1151.

Yao, L., Mao, C. & Luo, Y. (2019, July). Graph convolutional networks for text classification. In Proceedings of the AAAI conference on artificial intelligence (Vol. 33, No. 01, pp. 7370-7377).

Zhou, X. & Zafarani, R. (2020). A survey of fake news: Fundamental theories, detection methods, and opportunities. ACM Computing Surveys (CSUR), 53(5), 1-40.

Published

2024-05-03

How to Cite

Villanueva, M. G., & Zavala, S. R. (2024). Uso de red convencional de grafos para clasificar información no valida. South Florida Journal of Development, 5(5), e3879. https://doi.org/10.46932/sfjdv5n5-006