基于PyTorch+CNN实现谣言检测任务

假新闻检测系统 提议的系统分为多个阶段，以根据数据挖掘操​​作领域（例如数据收集，数据预处理，特征提取，特征选择和机器学习模型的实现）完全隔离工作，以进行将新闻分类为是非的预测并预测新闻属于预测标签的概率。 实施了许多机器学习模型，并根据准确性，f1得分，准确性和召回率等指标对机器学习模型的性能进行了比较。 评估模型性能的主要决定指标被选为f1得分，其中考虑了精度和召回率之间的折衷。 在对以下机器学习模型（SVM，逻辑回归，朴素贝叶斯和随机森林）进行了训练和调整之后，实施了投票分类器，将上述所有模型组合在一起，形成了一个集成分类器，该分类器使用所有这些分类器来预测标签和分类概率并使用软投票方法做出最终预测。 建议的系统步骤： 数据收集：为了实施和测试所建议的系统，使用了William Yang Wang []的“说谎者，说谎者裤子着火：用于虚假新闻检测的新基准数据集”。 该存储库中

谣言检测 谣言检测 分支 bebug-ret 正在进行

基于实现网络谣言自动识别的目的，从地域、时间和传播形式3个维度分析了收集到的网络谣言基本情况。网络谣言以文本传播形式为主，而且在文本句式上有一定的共通点和相似之处。本文采用了五类网络谣言文本句式特征分析方法，结合LanguageTool构建了一系列基于XML的网络谣言句式匹配规则。通过对收集到的网络谣言实验测试，得出此方法能够实现网络谣言的自动识别和监测，可以减少50%以上的人工识别工作量的结论。