مریم خسروی - Malek-ashtar University of Technology
حسین شیرازی - Malek-ashtar University of Technology
کوروش داداش تبار - Malek-ashtar University of Technology
سید علیرضا هاشمی گلپایگانی - Amirkabir University of Technology

با توجه به جایگاهی که امروزه شبکه­ های اجتماعی در جوامع پیدا کرده ­اند، افراد بسیاری از این شبکه ­ها به منظور منتشر کردن عقاید و اطلاعات خود استفاده می ­کنند. یکی از چالش ­های امنیتی موجود در این شبکه ­ها، جلوگیری از حملات معنایی است. در حملات معنایی فرد مخرب قصد دارد تا با انتشار اطلاعات و شایعات نادرست در شبکه ­های اجتماعی، بر روی کاربران دیگر تاثیر بگذارد. بنابراین ایمنی افراد در این گونه شبکه­ ها به خطر می ­افتد. انتشار اطلاعات نادرست در مواقع بحرانی مانند جنگ یا انتخابات ممکن است، عواقب جبران ناپذیری برای یک اجتماع داشته باشد. از این رو در این پژوهش هدف اینست که بتوان شایعات از جمله شایعات فارسی را در شبکه ­های اجتماعی تشخیص داد. بدین منظور از یک معماری ترکیبی LSTM-CNN استفاده و برخلاف پژوهش ­های پیشین از نرخ یادگیری چرخشی بهره گرفته و روش جدیدی به منظورپردازش کردن داده ­ها قبل از ورود به شبکه برای بهبود نتایج ارائه شده­است. علاوه بر آن نیز برای رفع مشکلات مربوط به کمبود داده مدل BERT برای تشخیص شایعات فارسی هم مورد بررسی قرار گرفت. در نهایت با ارزیابی روش پیشنهادی مشخص شد که این روش به دقت مناسبی برای تشخیص شایعات و همین طور شایعات فارسی تنها با بررسی محتوا، دست یافته است.

Deep learning, Preprocessing, Rumor detection, Social network, شبکه های اجتماعی, شایعه, یادگیری عمیق