Skip to content

Latest commit

 

History

History
162 lines (121 loc) · 8.06 KB

README.md

File metadata and controls

162 lines (121 loc) · 8.06 KB

Fake News Detection

Information Retrieval and Text Mining project

  • News Insight
  • News Classification
  • Text Regression

Presentation Video

https://www.youtube.com/watch?v=9PFZ0_C2Sxo&feature=share

Topic: Fake News Analysis and Insight

  1. 蒐集各方假新聞dataset
  2. 可以從假新聞或真新聞中分析出什麼樣的消息?
    • 用怎樣的方法分析或比較?
  3. 假新聞相較於真新聞有怎樣的特徵?
    • 怎麼抓取特徵或關鍵字?
    • 可能用到的情緒字 / 情緒分析
    • 依照詞性去對假真新聞決定可能會有那些常用字。EX:文字雲
    • 語意分析
  4. 假新聞分類、評比
    • 特性、提醒使用者

Problem Description

https://docs.google.com/document/d/10-7H9bPJYQRMdOUdugDlWeifdpvoN9twXZGT-m1fhdc/edit?usp=sharing

Implement Report

https://docs.google.com/document/d/1I9SWihDkgXx1NCYCsY-0e_XDicAK346PqQu5wMaesd0/edit

Presentation slides

https://docs.google.com/presentation/d/1lRDR40UfcLpdRUSnfMbi6eOsR_jjxFdOcKwa8HvxHh8/edit#slide=id.p

Outline:

  • 動機
  • 做甚麼
  • solution insight
  • solution regression / classification

Motivation & Goal

動機: 為什麼要做?因為假新聞氾濫、影響閱聽人、帶選舉風向的問題

  1. 假新聞的程度
  2. 真假新聞之間有什麼區別
  3. (假)新聞的種類
  • 比較不同方法的performance

Solution

  1. TF-IDF。給Tagging
  2. POS (part-of-speech tagging) EX:openNLP、NLTK => a.每個不同dataset的詞性常出現哪些字 b. dictionary by overall dataset依詞性要用哪些字
  3. Sentiment Analysis EX:TextBlob、
  4. feature selection: 關鍵字、類別鑑別力
  5. 作者、來源的助益性。每一種類別的差別
  6. regression (ML方法、DL方法) / classification (IR方法)

GOAL

  1. 在相同dictionary大小下: 沒有分詞性情況下跑出來幾分,有詞性的dictionary跑出來幾分 EX:名詞dictionary幾分,動詞正確率幾趴?
  2. 前面所做的insight可以跟最後面產生的dict有關連
  3. 假新聞的程度、分類,兩者testing dataset互為兩者
  4. 時間切三塊或五塊: 選前、選舉正負一個禮拜、選後,主題、用字、情感的變動

Dataset

  1. 分為十類別(第二個dataset八類、第一個dataset兩類): 第三個dataset的True、mostly Tru放進去第一個dataset的true;第三個dataset的barely-true、false、pants-fire放進去第一個dataset的False
  2. 濾除標點符號跟數字、大寫變小寫 ,只留下 content(最長的attribute)、label (假新聞的程度、類別)

三個dataset的text,label合併資料集:https://drive.google.com/drive/u/2/folders/19CER5SrMU29n3UPAkQc2hPu3HA8vyqbc

Method

目前只看news content

  1. 十個類別的POS、overall dataset的POS https://drive.google.com/drive/folders/1C-6U9TcyUwgxzdArvAXPsnjx9yrPhxsh?usp=sharing
  2. 十個類別的長條圖of情緒分析。文獻探討: 詞性、情緒、feature selection、分類、回歸等等套件的論文
  3. 十個類別的文字雲、頻率圖=>做一個overall的,把各類別常見的term的濾掉
  4. 3 kind of feature selecion、tfidf of building overall dictionary

bs類別代表意義不大

testing Kaggle: https://www.kaggle.com/c/fake-news/submit

(測試clf好壞結果、reg好壞結果)

Possible Dataset:

Motivation Reference

Possible Goal:

REF

Datasets for sentiment analysis are available online.[1][2]

The following is a list of a few open source sentiment analysis tools.

  • GATE plugins
  • SEAS(gsi-upm/SEAS)
  • SAGA(gsi-upm/SAGA)
  • Stanford Sentiment Analysis Module (Deeply Moving: Deep Learning for Sentiment Analysis)
  • LingPipe (Sentiment Analysis Tutorial)
  • TextBlob (Tutorial: Quickstart)[3]
  • Opinion Finder (OpinionFinder | MPQA)
  • Clips pattern.en (pattern.en | CLiPS)

Open Source Dictionary or resources:

  • SentiWordNet
  • Bing Liu Datasets (Opinion Mining, Sentiment Analysis, Opinion Extraction)
  • General Inquirer Dataset (General Inquirer Categories)
  • MPQA Opinion Corpus (MPQA Resources)
  • WordNet-Affect (WordNet Domains)
  • SenticNet
  • Emoji Sentiment Ranking

文獻探討: 其他人怎麼做的

方向: 文字分類(classification) or 程度回歸(regression)

文字分類