Resumen

Los sistemas de correo electrónico y las plataformas de medios sociales en línea son lugares ideales para la difusión de noticias, pero un grave problema es la propagación de titulares de noticias fraudulentos. El método anterior para detectar titulares de noticias fraudulentos consistía principalmente en una laboriosa revisión manual. Cuando el número total de titulares de noticias asciende a 1,48 millones, la revisión manual resulta prácticamente inviable. Para los datos de texto de los titulares de noticias, el mecanismo de atención tiene una potente capacidad de procesamiento. En este artículo, proponemos modelos basados en LSTM y en la capa de atención, que se ajustan al contexto de los titulares de las noticias de forma eficiente y pueden detectar titulares de noticias fraudulentos de forma rápida y precisa. Basándonos en el mecanismo de atención multicabezal que evita la unidad recurrente y reduce el cálculo secuencial, construimos un modelo de aprendizaje profundo minitransformador para mejorar aún más el rendimiento de la clasificación.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:titulares de noticias fraudulentos, titulares de noticias, revisión manual laboriosa, modelo de aprendizaje profundo, mecanismo de atención de la cabeza, transformadores de aprendizaje profundo, número de noticias, medios sociales en línea, contexto de las noticias, datos de texto de los titulares
• Keywords:fraudulent news headlines, news headlines, laborious manual review, deep learning model, head attention mechanism, transformers deep learning, number of news, online social media, context of news, headlines text data