Suivre les rumeurs dans les  réseaux sociaux

dc.contributor.author	LAALAOUI, Moun
dc.contributor.author	LAHRI, Sarah
dc.date.accessioned	2024-11-07T09:54:13Z
dc.date.available	2024-11-07T09:54:13Z
dc.date.issued	2024
dc.description.abstract	The emergence of the Internet has transformed global communications, making information accessible at unprecedented speeds. With the emergence of social media, people can now connect, share and interact immediately with a variety of content. However, the ease with which information can be exchanged also facilitates the rapid spread of unverified rumors and false information. In this work, we aim to track and detect rumors, and to this end, we will present a model based on a deep learning approach using LSTM and RNN algorithms in order to obtain the best possible classification and more accurate and valid results.	en_US
dc.identifier.issn	MM/853
dc.identifier.uri	http://10.10.1.6:4000/handle/123456789/5687
dc.language.iso	fr	en_US
dc.publisher	Université de Bordj Bou Arreridj Faculty of Mathematics and Computer Science	en_US
dc.subject	Réseaux sociaux, Suivi des rumeurs, Apprentissage profond, Apprentissage automatique.	en_US
dc.subject	Key words: Social networks, Rumor Tracking, Deep Learning, Machine Learning	en_US
dc.title	Suivre les rumeurs dans les réseaux sociaux	en_US
dc.type	Thesis	en_US

Files

Now showing 1 - 1 of 1

Name:: Mémoire fin étude Final.pdf
Size:: 6.44 MB
Format:: Adobe Portable Document Format
Description:: Le contrôle des rumeurs est l'un des principaux défis de l'ère de l'information numérique où les rumeurs peuvent se propager rapidement et affecter la société de manière significative. Ce projet de fin d’études présente une méthode de suivi et de détection des rumeurs dans les sites de médias sociaux en utilisant des approches d'apprentissage automatique et d'apprentissage profond. Dans le premier chapitre, nous avons étudié les réseaux sociaux, les rumeurs et leurs caractéristiques. Le deuxième chapitre, nous avons parlé de l'apprentissage automatique et de l'apprentissage profond, des algorithmes utilisés et des différences entre eux. Le troisième chapitre, nous avons parlé de la conception du système, en décrivant l'architecture générale et l'architecture détaillée, qui est le traitement initial des textes dans la base de données et l'apprentissage pour la formation du système. Puis, la phase de test. Enfin, dans le dernier chapitre, nous avons commencé par définir quelques concepts sur les moyens utilisés, puis nous avons décrit les modèles développés en se basant sur les algorithmes RNN, LSTM et Naïve Bayes et expliqué les résultats obtenus. En plus, faire une comparaison entre les performances de ces modèles.

Now showing 1 - 1 of 1