基于深度学习的山瞪羚优化器：在低资源语言语料库中进行讽刺性新闻分类

《ACM Transactions on Asian and Low-Resource Language Information Processing》：Mountain Gazelle Optimizer with Deep Learning Driven Satirical News Classification on Low-resource Language Corpus

本研究针对阿拉伯语假新闻检测难题，提出MGODL-FNCAC技术，结合DBN模型与MGO优化算法，通过预处理提升数据质量，显著提高检测准确率至97.68%和95.14%，有效对抗信息失真。

　　

摘要

在数字平台上，讽刺性新闻和虚假新闻的传播引发了人们对错误信息传播及其对社会影响的严重担忧。对于阿拉伯语而言，由于语言障碍和标记数据的匮乏，虚假新闻检测（FND）面临特殊挑战。利用深度学习（DL）对阿拉伯语语料库进行虚假新闻检测时，需要运用先进的神经网络（NN）技术和方法来自动识别和分类阿拉伯语文本中的误导性内容。这一过程对于打击错误信息的传播、提高媒体素养以及确保阿拉伯语社区数据来源的可靠性至关重要。循环神经网络（RNN）和卷积神经网络（CNN）因具备学习层次特征和处理文本序列数据的能力而成为虚假新闻检测的常用选择。本研究提出了一种基于深度学习的阿拉伯语语料库虚假新闻分类算法——Mountain Gazelle Optimizer with Deep Learning-Driven Fake News Classification（MGODL-FNCAC）。该算法旨在提升阿拉伯语语料库中虚假新闻检测的准确性。具体而言，MGODL-FNCAC包括多个预处理步骤，以使输入数据适合分类任务；在检测虚假新闻时，该方法采用了深度信念网络（DBN）模型。此外，MGODL-FNCAC还能辅助调整DBN的超参数，从而优化整体训练过程和检测效果。通过对阿拉伯语语料库数据的模拟验证表明，该算法的准确率分别达到了97.68%（Covid19Fakes数据集）和95.14%（讽刺性新闻数据集），显著优于其他方法。