KaydedilenlerDerginizi ekleyin

Dergiler / International Advanced Researches and Engineering Journal / 2021 / Cilt: 5 - Sayı: 1

Analysis of whether news on the Internet is real or fake by using deep learning methods and the TF-IDF algorithm

Tilbe KORKMAZ
Ali ÇETİNKAYA
Hakan AYDIN
Mehmet Ali BARIŞKAN
Sayfa
31–41
Yayın Tarihi
2022-10-19
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

The classification was made with the data set used and 93.88% success and 6.12% error were obtained as a result of the analysis.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Internet use has become increasingly widespread nowadays.
📊
Temel Bulgular & Veri:In addition, there is a significant increase in the amount of text content produced in digital media.
💡
Sonuç & Katkı:The classification was made with the data set used and 93.88% success and 6.12% error were obtained as a result of the analysis.
🔬Tür:Araştırma Makalesi
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Natural Language Processing · Text Analysis · Text Classification

Abstract

Internet use has become increasingly widespread nowadays. In addition, there is a significant increase in the amount of text content produced in digital media. However, the accuracy and inaccuracy of the news we read and the content produced in a large number are also unknown. In this study, classification and analysis of whether the news is real or not were done by using Deep Learning methods. For the English news, the data set created by Katharine Jarmul was used. The data set contained a total of 6336 news items. The distribution of this data set, which consisted of political and political news, was 50% fake and 50% real. The method used in text classification was Term Frequency - Inverse Document Frequency (TF-IDF). The classification was made with the data set used and 93.88% success and 6.12% error were obtained as a result of the analysis.

🔖

Bu Makaleye Atıf Yap

KORKMAZ, T., ÇETİNKAYA, A., AYDIN, H., BARIŞKAN, M. A. (2022). Analysis of whether news on the Internet is real or fake by using deep learning methods and the TF-IDF algorithm. International Advanced Researches and Engineering Journal, Cilt: 5 - Sayı: 1, 31–41. https://ajindex.com/articles/539291

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (14)

  1. Arroyo-Fernández, I., Méndez-Cruz, C. F., Sierra, G., Torres-Moreno, J. M, and Sidorov, G., Unsupervised sentence representations as word information series: Revisiting TF–IDF. Computer Speech & Language, 2019. 56: p. 107-129
  2. Kim, D., Seo, D., Cho, S., and Kang, P., Multi-co-training for document classification using various document representations: TF–IDF, LDA, and Doc2Vec. Information Sciences, 2019. 477: p. 15-29
  3. Koyun, A., and Afşin, E., Derin öğrenme ile iki boyutlu optik karakter tanıma. Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi, 2017. 10(1): p. 11-14
  4. Yapıcı, M. M., Tekerek, A., and Topaloğlu, N., Literature review of deep learning research areas. Gazi Mühendislik Bilimleri Dergisi (GMBD), 2019. 5(3): p. 188-215
  5. Patil, T., Pandey, S., and Visrani, K., A review on basic deep learning technologies and applications. In Data Science and Intelligent Applications, 2020. pp. 565-573. Springer
  6. Calisan, M., and Sakar, C. O., Classification of short-texts by utilizing an external knowledge source. Journal of Science and Engineering, 2017. 19(57)
  7. Grigorescu, S., Trasnea, B., Cocias, T., and Macesanu, G., A survey of deep learning techniques for autonomous driving. Journal of Field Robotics, 2020. 37(3), 362-386
  8. Küçük, D., and Arıcı, N., Doğal dil işlemede derin öğrenme uygulamaları üzerine bir literatür çalışması. Uluslararası Yönetim Bilişim Sistemleri ve Bilgisayar Bilimleri Dergisi, 2018. 2(2): p. 76-86
  9. Acı, Ç., and Çırak, A., Türkçe haber metinlerinin konvolüsyonel sinir ağları ve word2vec kullanılarak sınıflandırılması. Bilişim Teknolojileri Dergisi, 2019. 12(3): p. 219-228
  10. Ertam, F., Sosyal medya verileri için etkili bir sınıflandırma yaklaşımı. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 2017. 29(2): p. 67-73
  11. Sjarif, N. N. A., Azmi, N. F. M., Chuprat, S., Sarkan, H. M., Yahya, Y., and Sam, S. M., SMS spam message detection using term frequency-inverse document frequency and random forest algorithm. Procedia Computer Science, 2019. 161, p. 509-515
  12. MATLAB Deep Learning. [cited 2020 20 May]; Available from:
  13. Şeker, A., Diri, B., and Balık, H. H., Derin öğrenme yöntemleri ve uygulamaları hakkında bir inceleme. Gazi Mühendislik Bilimleri Dergisi, 2017. 3(3): p. 47-64
  14. Hark, C., Uçkan, T., Seyyarer, E., and Karcı, A., Metin özetlemesi için düğüm merkezliklerine dayalı denetimsiz bir yaklaşım. Bitlis Eren Üniversitesi F