| Titre : | Fake news detection using machine learning |
| Auteurs : | Nihel Fatima Baarir, Auteur ; Abdelhamid Djeffal, Directeur de thèse |
| Type de document : | Monographie imprimée |
| Editeur : | Biskra [Algérie] : Faculté des Sciences Exactes et des Sciences de la Nature et de la Vie, Université Mohamed Khider, 2020 |
| Format : | 1 vol. (60 p.) / ill. / 29 cm |
| Langues: | Anglais |
| Résumé : | Ce mémoire présente une méthode de détection des fausses nouvelles en utilisant la machine à vecteurs de support, en essayant de déterminer les meilleures caractéristiques et techniques permettant de mieux identifier une fausse nouvelle.Nous avons commencé par étudier le domaine des fausses nouvelles, leur impact et les méthodes de leur détection.Nous avons ensuite conçu et implémenté une solution qui se base sur l’utilisation des techniques de nettoyage, steaming, encodage par N-gram, sac à mots et TF-IDF pour le pré-traitement des textes brutes des nouvelles, ensuite l’extraction des autres caractéristiques permettant d’identifier une fausse nouvelle. À la fin nous avons appliqué l’algorithme de la machine à vecteurs de support sur notre base de caractéristiques pour construire un modèle permettant la classification des nouvelles informations. |
| Sommaire : |
Introduction Générale 2
1 État de l’art sur: la détection des fausses nouvelles 4 1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 1.2 La signification des fausse nouvelles . . . . . . . . . . . . . . . . . . . . . . 5 1.3 Les composants des fausses nouvelles . . . . . . . . . . . . . . . . . . . . . 6 1.3.1 Créateur/Diffuseur de fausses nouvelles . . . . . . . . . . . . . . . . 6 1.3.2 Contenu d’actualité . . . . . . . . . . . . . . . . . . . . . . . . . . 7 1.3.3 Contexte social . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 1.4 Les modèles de détection des fausses nouvelles . . . . . . . . . . . . . . . . 8 1.5 Impact global sur différents domaines . . . . . . . . . . . . . . . . . . . . 9 1.6 Web Mining . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 1.6.1 Processus du Web Mining . . . . . . . . . . . . . . . . . . . . . . . 10 1.6.2 Objectifs du Web Mining . . . . . . . . . . . . . . . . . . . . . . . 10 1.7 Opinion Mining . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 1.7.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 1.7.2 Méthodes d’analyse . . . . . . . . . . . . . . . . . . . . . . . . . . 11 1.8 Travaux connexes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 1.9 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 2 Machine Learning 14 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 2.2 Description . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 2.3 Types de Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . 15 2.3.1 Apprentissage supervisé . . . . . . . . . . . . . . . . . . . . . . 15 2.3.2 Apprentissage non supervisé . . . . . . . . . . . . . . . . . . . 25 2.3.3 Apprentissage semi-supervisé . . . . . . . . . . . . . . . . . . 25 2.3.4 Apprentissage par renforcement . . . . . . . . . . . . . . . . . 25 2.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 3 Conception du système 27 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 3.2 Architecture générale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 3.3 Architecture détaillée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 3.3.1 Pré-traitement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 3.3.2 Apprentissage: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 3.3.3 Utilisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 3.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 4 Implémentation et résultats 38 4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 4.2 Outils utilisés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 4.2.1 Logiciels utilisés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 4.2.2 Langages utilisés . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 4.2.3 Bibliothèques utilisées . . . . . . . . . . . . . . . . . . . . . . . . . 41 4.2.4 Struts 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 4.2.5 Dataset . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 4.3 Application: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 4.4 Résultats et discussion: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 4.4.1 Pré-traitement: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 4.4.2 Apprentissage: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54 4.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 Conclusion Générale 58 |
| Type de document : | Mémoire master |
Disponibilité (1)
| Cote | Support | Localisation | Statut |
|---|---|---|---|
| MINF/567 | Mémoire master | bibliothèque sciences exactes | Consultable |
