Програмний модуль виявлення фейкових новин та рекомендацій достовірного контенту на основі глибоких нейронних мереж

Abstract

Метою кваліфікаційної роботи є розроблення програмного модуля виявлення фейкових новин та рекомендацій достовірного контенту на основі глибоких нейронних мереж. Методи дослідження включають методи системного аналізу, попереднього оброблення текстових даних, очищення та нормалізації новинного контенту, токенізації, векторизації, машинного навчання та класифікації текстів на основі глибоких нейронних мереж. Також використано методи моделювання програмної архітектури, експериментального тестування, оцінювання якості класифікації. Розроблено програмний модуль виявлення фейкових новин та рекомендацій достовірного контенту на основі глибоких нейронних мереж, який забезпечує завантаження вхідних новинних повідомлень, перевірку та очищення тексту, нормалізацію даних, формування числового подання тексту, токенізацію, класифікацію новин, а також добір тематично близьких достовірних матеріалів. Результати дослідження можуть бути використані для створення та вдосконалення програмних засобів автоматизованого аналізу новинного контенту, виявлення фейкових повідомлень, зниження впливу дезінформації, підтримки користувача під час оцінювання достовірності інформації та формування рекомендацій перевірених інформаційних матеріалів.

The purpose of the qualification thesis is to develop a software module for fake news detection and recommendation of reliable content based on deep neural networks. The research methods include system analysis, preliminary processing of textual data, cleaning and normalization of news content, tokenization, vectorization, machine learning, and text classification based on deep neural networks. Methods of software architecture modeling, experimental testing, and classification quality evaluation were also used. A software module for fake news detection and recommendation of reliable content based on deep neural networks has been developed. It provides loading of input news messages, text verification and cleaning, data normalization, formation of a numerical representation of text, tokenization, news classification, and selection of thematically related reliable materials. The research results can be used to create and improve software tools for automated analysis of news content, detection of fake messages, reduction of the impact of disinformation, user support in assessing the reliability of information, and formation of recommendations for verified information materials.