Розробка системи аналізу соціальних мереж для виявлення фейкових новин
Вантажиться...
Файли
Дата
Автори
Науковий керівник
Редактор
Інші учасники
Відповідальний
ORCID
Назва журналу
Номер ISSN
Назва тому
DOI
Альтернативна назва
Анотація
Досліджено теоретичні аспекти створення систем для автоматизованого аналізу контенту в соціальних мережах. Запропоновано методи виявлення фейкових новин, які ґрунтуються на застосуванні алгоритмів машинного навчання, обробки текстових і мультимедійних даних, а також графового аналізу. Наведено можливі архітектурні рішення та обґрунтовано доцільність їх використання.
The theoretical aspects of creating systems for automated analysis of content on social networks are investigated. Methods for detecting fake news based on the use of machine learning algorithms, text and multimedia data processing, and graph analysis are proposed. Possible architectural solutions are presented and the feasibility of their use is substantiated.
The theoretical aspects of creating systems for automated analysis of content on social networks are investigated. Methods for detecting fake news based on the use of machine learning algorithms, text and multimedia data processing, and graph analysis are proposed. Possible architectural solutions are presented and the feasibility of their use is substantiated.
Опис
Ключові слова
УДК
Тип документа
Мова
ISSN
Посилання на публікацію
Серія, номер
ISBN
978-617-8163-57-0
ББК
Інші ідентифікатори
Пов’язані матеріали
Спонсорська підтримка
Правовласник
Бібліографічний опис
Яловінський В. Д. Розробка системи аналізу соціальних мереж для виявлення фейкових новин // Матеріали Всеукраїнської науково-практичної інтернет-конференції «Молодь в науці: дослідження, проблеми, перспективи (МН-2025)», Вінниця, 15-16 червня 2025 р. Електрон. текст. дані. 2025. URI: https://conferences.vntu.edu.ua/index.php/mn/mn2025/paper/view/22968.
Схвалення
Рецензія
Доповнено
Цитується в
Список використаної літератури (6)
- Adiwardana D., Luong M., Socher R. Towards Better NLP: State-of-the-Art Language Models 2020 45 c.
- Brown T., Mann B., Ryder N. Language Models Are Few-Shot Learners OpenAI, 2020 87 c.
- Devlin J., Chang M., Lee K., Toutanova K. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding 2019.-14 c.
- Jurafsky D., Martin J. Speech and Language Processing (3rd Edition) Prentice Hall, 2022- 1024 c.
- Kaggle – Platform for Data Science Competitions [Електронний ресурс] – Режим доступу до ресурсу: https://kaggle.com
- HubSpot Blog on Fake News Analysis [Електронний ресурс] – Режим доступу до ресурсу: https://blog.hubspot.com