LuanVan.vnLuận Văn
Gửi thư

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 liệuLuận văn
Bậc họcThạc sĩ
NgànhCông nghệ thông tin
Tác giảCao Thế Hoàng
Người hướng dẫnPhạm Mạnh Linh
Cơ sở đào tạoĐại học Quốc gia Hà Nội
Năm2024
NguồnThư 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

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.