مع التطور السريع لتكنولوجيا الإنترنت، تعتبر العقود الرقمية وسيلة حيوية لنشر المعلومات. الانتشار السريع للشائعات في الاتصال بأخبار الإنترنت يضلل الإدراك العام وقد يسبب الذعر الاجتماعي وعدم الاستقرار. تهدف هذه الدراسة إلى استكشاف نموذج للتعلم المعزز العميق (DRL) لكشف الشائعات في الاتصال بأخبار الإنترنت، والذي يدمج آلية انتباه. من خلال إغناء وتقدم الإطار النظري والأساليب التقنية في مجال كشف الشائعات، تسعى لتوفير دعم معلوماتي أكثر دقة وموثوقية للاتصال بأخبار الإنترنت. تحلل هذه الدراسة أولاً دورة نقل الرأي العام لأخبار الإنترنت. توضح أن نموذج متجه الكلمات هو الحلقة الأساسية في مهمة معالجة اللغة الطبيعية لكشف شائعات الأخبار. في مهمة كشف الشائعات، يتم اقتراح نموذج كشف شبكة Q العميقة (DQN) والذي يأخذ المعلومات النصية كمدخلات، ويستخرج الميزات، ويتعلم استراتيجيات مثلى من خلال الشبكة العصبية العميقة، لتحقيق التعرف الدقيق على الشائعات. يتم دمج آلية الانتباه في النموذج لمساعدته على تحديد المعلومات الرئيسية في النص بشكل أفضل، مثل الكلمات الرئيسية، والعبارات الرئيسية، وما إلى ذلك، مما يحسن دقة الكشف. على مجموعات بيانات Pheme Twitter وWeibo، حقق نموذج DQN + Attention المقترح في هذه الدراسة تحسينًا في الدقة بنسبة 11.09% و10.1% مقارنةً بنموذج الذاكرة طويلة وقصيرة الأجل. مقارنةً بنموذج انتشار الترانزيت، زادت دقة النموذج المقترح على مجموعتي البيانات بنسبة 2.5% و0.2%، على التوالي. تظهر هذه النتائج أن النموذج لا يزال يمكنه تحقيق أو حتى تجاوز فعالية النماذج المعقدة التي تجمع بين أنواع متعددة من المعلومات حتى عند استخدام المعلومات النصية فقط. تمتلك نتائج البحث قيمة عملية حيوية في مجال كشف الشائعات. فهي لا تساعد فقط في تحديد الشائعات بدقة وفي الوقت المناسب، ولكنها أيضًا توفر تدابير فعالة للوقاية والسيطرة على الشائعات لمنصات الوسائط الاجتماعية.
دراسة قيان وين (الثلاثاء) لهذا السؤال.