CNN 기반 감성 변화 패턴을 이용한 가짜뉴스 탐지
Fake News Detection Using CNN-based Sentiment Change Patterns
0
조회
0
다운로드
3
인용
0
참고문헌
키워드
초록
최근 가짜뉴스는 뉴스 콘텐츠 형식을 가장하고 중요한 사건이 발생할 때마다 등장하여 사회적 혼란을 초래한다. 이에 가짜뉴스를 탐지하기위한 연구로 인공지능 기술이 사용된다. 자연어 처리를 통해 가짜뉴스를 자동으로 인지 및 차단하거나, 네트워크 인과 추론과 결합함으로써 허위정보를 확산시키는 소셜미디어 인플루언스 계정을 감지하는 등의 가짜뉴스 탐지 접근법이 딥러닝을 통해 구현될 수 있었다. 그러나 가짜뉴스 탐지는여러 자연어 처리 분야 중에서도 해결이 어려운 문제로 분류된다. 가짜뉴스가 가지는 형식 및 표현의 다양성으로 특성 추출의 난도가 높고, 뉴스가속한 범주에 따라 하나의 특성이 서로 다른 의미를 가질 수도 있는 등 다양한 한계점이 존재한다. 본 논문에서는 가짜뉴스를 탐지하기 위한 추가적인식별 기준으로 감성 변화 패턴을 제시한다. 합성곱 신경망을 가짜뉴스 데이터 세트에 적용하여 콘텐츠 특성에 기반한 분석을 수행하고, 감성 변화패턴을 추가로 분석함으로써 성능이 개선된 모델을 제안한다. 뉴스를 구성하는 문장에 대하여 감성 극성을 산출하고 장단기 메모리를 적용함으로써문장 순서에 의존적인 결괏값을 얻을 수 있다. 이를 감성 변화의 패턴으로 정의하고 뉴스의 콘텐츠 특성과 결합하여 가짜뉴스 탐지를 위한 제안모델의 독립변수로 활용한다. 제안 모델과 비교 모델을 딥러닝으로 학습시키고 가짜뉴스 데이터 세트를 이용한 실험을 진행하여 감성 변화 패턴이가짜뉴스 탐지 성능을 개선할 수 있음을 확인한다.
Abstract
Recently, fake news disguises the form of news content and appears whenever important events occur, causing social confusion. Accordingly, artificial intelligence technology is used as a research to detect fake news. Fake news detection approaches such asautomatically recognizing and blocking fake news through natural language processing or detecting social media influencer accounts thatspread false information by combining with network causal inference could be implemented through deep learning. However, fake newsdetection is classified as a difficult problem to solve among many natural language processing fields. Due to the variety of forms andexpressions of fake news, the difficulty of feature extraction is high, and there are various limitations, such as that one feature mayhave different meanings depending on the category to which the news belongs. In this paper, emotional change patterns are presentedas an additional identification criterion for detecting fake news. We propose a model with improved performance by applying aconvolutional neural network to a fake news data set to perform analysis based on content characteristics and additionally analyze emotionalchange patterns. Sentimental polarity is calculated for the sentences constituting the news and the result value dependent on the sentenceorder can be obtained by applying long-term and short-term memory. This is defined as a pattern of emotional change and combinedwith the content characteristics of news to be used as an independent variable in the proposed model for fake news detection. We trainthe proposed model and comparison model by deep learning and conduct an experiment using a fake news data set to confirm thatemotion change patterns can improve fake news detection performance.
참고문헌 (20)
- David M. J. Lazer, "The science of fake news", Science, 359(6380), pp.1094~1096 (2018)
- 황용석, "가짜뉴스의 개념화와 규제수단에 관한 연구 ― 인터넷서비스사업자의 자율규제를 중심으로 ―", 언론과 법, 16(1), pp.53~101 (2017), (사)한국언론법학회[DOI]
- "Google and Facebook take aim at fake news sites"[URL]
- 윤태욱, "텍스트 마이닝과 기계 학습을 이용한 국내 가짜뉴스 예측", Journal of Information Technology Applications & Management, 25(1), pp.19~32 (2018), 한국데이터전략학회[DOI]
- 이동호, "Fake News Detection Using Deep Learning", JIPS(Journal of Information Processing Systems), 15(5), pp.1119~1130 (2019), 한국정보처리학회[DOI]
- 현윤진, "뉴스와 소셜 데이터를 활용한 텍스트 기반 가짜 뉴스 탐지 방법론", 한국전자거래학회지, 23(4), pp.19~39 (2018), 한국전자거래학회[DOI]
- J. -w. Cho, "Development of attention network with added entity for fake news detection", Proceedings of the Fall Conference of the Korean Industrial Engineering Society, pp.2751~2755 (2019)
- Dale E. Brashers, "Communication and uncertainty management", Journal of Communication, 51(3), pp.477~497 (2001)
- 최창식, "가짜뉴스에 대한 감정이 사실 확인 노력에 미치는 영향: 불확실성 관리 이론을 바탕으로", 커뮤니케이션 이론, 17(1), pp.5~53 (2021), 한국언론학회[DOI]
- F. Liu, "Rumors on Social Media in disasters : Extending Transmission to Retransmission", Pacific Asia Conference on Information Systems, pp.49~ (2014)
- H. Karimi, "Multisource multi-class fake news detection", Proceedings of the 27th International Conference on Computational Linguistics, pp.1546~1557 (2018)
- Y. Yang, "TI-CNN: Convolutional neural networks for fake news detection", arXiv : 1806. 00749, ~ (2018)
- "SNU Fact Check"[URL]
- 오세욱, "‘팩트’의 형식적 구성 요건에 대한 탐색적 연구 ‘SNU FactCheck’ 메타데이터 분석을 통한 제언", 언론정보연구, 55(4), pp.54~98 (2018), 언론정보연구소[DOI]
- "Open source Korean language processor"[URL]
- "Korean Sentence Splitter"[URL]
- "Wikipedia:Database download" (2021)[URL]
- "Convolutional neural network"[URL]
- Nitish Srivastava, "Dropout : a simple way to prevent neural networks from overfitting", Journal of Machine Learning Research, 15(1), pp.1929~1958 (2014)
- Sergey Ioffe, "Batch normalization : Accelerating deep network training by reducing internal covariate shift", Proceedings of the 32nd International Conference on Machine Learning, 37, pp.448~456 (2015)