Sử dụng mạng học sâu để phát hiện tin giả trên mạng xã hội
Luận văn · Thạc sĩ · năm 2024 · đề tài tham khảo
| Loại tài liệu | Luận văn |
|---|---|
| Bậc học | Thạc sĩ |
| Ngành | Công nghệ thông tin |
| Tác giả | Cao Thế Hoàng |
| Người hướng dẫn | Phạm Mạnh Linh |
| Cơ sở đào tạo | Đại học Quốc gia Hà Nội |
| Năm | 2024 |
| Nguồn | Thư viện số Đại học Quốc gia Hà Nội · trang gốc |
Tóm tắt
Các mô hình Transformer từ khi xuất hiện đã thể hiện sự vượt trội với các phương pháp trước trong các tác vụ xử lý ngôn ngữ tự nhiên. Luận văn tập trung nghiên cứu về các khía cạnh của loại mô hình học sâu này trong nhiệm vụ phân loại tin giả trên các mạng xã hội. Trong các thuộc tính cần để phân loại tin giả thì văn bản đóng một vai trò vô cùng quan trọng bên cạnh các thông tin đa phương tiện như ảnh, video hay thông tin đồ thị lan truyền tin tức, v.v. Tuy nhiên các mô hình Transformer truyền thống bị giới hạn ở 512 mã thông báo nên sẽ không phù hợp để xử lý các bài đăng nội dung dài. Đã có nhiều nghiên cứu để mở rộng giới hạn số lượng mã thông báo của các mô hình Transformer mà điển hình là Longformer và BIGBIRD. Hai mô hình đã đạt được thành tựu đáng kể khi có thể xử lý lên tời 4096 mã thông báo. Trong luận văn này, tác giả đề xuất một mô hình Transformer mới có tên là LNLF-BERT cho phép xử lý các văn bản dài bằng cách chia chúng thành các câu và áp dụng sự chú ý (attention) ở mức câu và mức văn bản so le với nhau. Tác giả đã thực nghiệm trên nhiều bộ dữ liệu và đạt kết quả vượt trội cho thấy đây là một hướng nghiên cứu đầy hứa hẹn, có thể mở rộng trong tương lai.
Bản toàn văn lưu tại thư viện Đại học Quốc gia Hà Nội
Thông tin và tóm tắt ở trên lấy từ kho số mở của thư viện trường. Bản toàn văn do thư viện trường quản lý — có nơi cho đọc trực tuyến, có nơi cần tài khoản bạn đọc của trường.
Mở tại thư viện trường ↗
Dùng tài liệu tham khảo cho đúng
- Đọc để hiểu cách người trước đặt câu hỏi, chọn phương pháp, trình bày số liệu — rồi tự làm với dữ liệu và bối cảnh của bạn.
- Ý, số liệu, bảng biểu lấy từ tài liệu này phải trích dẫn (tác giả, năm, tên đề tài, cơ sở đào tạo).
- Đề tài trùng tên vẫn làm được nếu khác đơn vị khảo sát, thời gian hoặc cách tiếp cận — nêu rõ điểm khác trong phần mở đầu.
Hướng dẫn chọn đề tài, cấu trúc và số liệu cho ngành này: Luận văn công nghệ thông tin · Hỏi đáp từng chương với người hướng dẫn số: Học Giả Số · Công cụ số: Luận Văn Số.
Đề tài cùng ngành
- Applying machine learning algorithms for stock price forecasting
- Nghiên cứu các phương pháp khử nhiễu ảnh dựa trên biểu diễn thưa và mạng học sâu
- Phân tích và mô phỏng một số bài toán thực tế bằng phương trình vi phân phi tuyến sử dụng Excel
- Ứng dụng công nghệ thông tin trong giải quyết thủ tục hành chính cấp phường (qua khảo sát tại UBND phường Hòa Phát, quận Cẩm Lệ, thành phố Đà Nẵng)
- Research and development of facial emotion recognition application based on deep learning
- Applying Data Augmentation Method to Improve Anomaly Detection with Graph Neural Network
- Nghiên cứu xác định các địa điểm thích hợp xây dựng khu du lịch sinh thái nghỉ dưỡng tại huyện Nho Quan, tỉnh Ninh Bình trên cơ sở ứng dụng GIS và phương pháp phân tích đa chỉ tiêu
- Smart Greenhouse System
Tác giả muốn gỡ, sửa thông tin hoặc bổ sung bản toàn văn: gửi yêu cầu qua trang Liên hệ, kèm đường dẫn trang này.