练就火眼金睛：Python助你一眼看穿社交媒体中的假新闻！

全文共2767字，预计学习时长12分钟

图源：unsplash

2016年总统大选，和特朗普一起走上风口浪尖的是Facebook，假新闻一度成为了学界业界热议的话题。这个社交媒体巨头受到了来自各方的批评，人们认为，Facebook拒绝审查核实其平台上列出的新闻真实性这一做法危害性很大。

 

它纵容了虚假新闻和具有误导性信息的传播，这为阴谋论提供了温床。譬如，有传言说俄罗斯影响了那次大选结果。几年后，马克·扎克伯格现身国会回答了一系列问题。美国议员指责Facebook CEO在2020年大选前允许政治虚假信息传播。

 

在紧张气氛中，扎克伯格被问及政治广告活动缺乏事实核查的问题。亚历山大·奥卡西奥·科尔特斯问道：“我能在初选时针对共和党人投放广告，说他们支持绿色新政吗？”扎克伯格大吃一惊，无法回答这个问题。

 

越来越多的民众意识到要采取行动打击虚假内容。在社交媒体上阅读新闻是一把双刃剑。它成本低廉，容易获取，人们与全球事务保持同步，与他人分享新闻，也分享他们的想法。

 

然而，这种优势常常被病毒式营销所利用。比如尽管有些低质量新闻包含虚假事件，这些新闻还是会被传播开来。社交媒体上的假新闻形式多样，人们创建一些恶意账户来传播假新闻，如喷子、电子人用户、水军等等。

 

虚假新闻的迅速传播会对社会产生负面影响，它会助长错误认知2016年总统大选期间最受欢迎的政治新闻本身就是虚假事实。因此，在媒体上寻找基于事实的新闻是非常有必要的。

 

你该了解的

 

图源：unsplash

先打住，我们有必要先理解一些概念：

 

TF-IDF

 

机器学习的一大困境是算法计算数字，而自然语言主要由文本组成，因此需要将文本转换为数字，这个过程被称为文本向量化。它是机器学习的重要组成部分，有助于进行文本分析。向量化算法会产生不同的结果，所以你需要仔细选择。

 

TF-IDF是一种统计度量，用于确定文档中放置在一组文档中的单词的相关性。使用TF-IDF Vectorizer可以将文本转换为特征向量。它是通过以下两个指标相乘计算的：

·        术语频率是指一个单词在文档中出现的次数。

·        逆文档频率是一个单词在一组文档中出现的次数。

 

被动攻击算法（Passive Aggressive Classifier）

 

被动攻击算法是在线学习算法，用于从大量的数据中进行学习。例如，系统每天24小时从Twitter上收集推文，你希望根据这些数据进行预测。

 

然而，由于内存限制这是不可行的，你不能在内存中存储这么多数据。被动攻击算法从这些例子中学习，并在使用后立即丢弃它们，而不是将它们存储在内存中。这些算法被称为被动的是因为它们是温顺的，直到分类结果保持正确。一旦他们发现了错误的计算就会变得咄咄逼人，更新、调整模型。

 

混淆矩阵（Confusion matrix）

 

在机器学习分类中，如果输出应该生成两个或两个以上的类，则用于性能度量。有四种可能的结果：

·        真阳性——做出了积极的预测，结果证明是正确的。

·        真阴性——预测是负数，结果证明是真的。

·        假阳性——预测是肯定的，但结果却是错误的。

·        假阴性——预测结果是错误的。

难题

 

假设你已经用Python构建了一个web抓取应用程序，它收集了来自社交媒体网络的所有新闻链接。你该如何知道这些网站上的信息是来自真实事件呢？

 

图源：unsplash

解决方案

用Python构建一个系统，可以识别新闻链接是否真实，先用sklearn为数据集创建TF-IDF Vectorizer。TF-IDF的目的是将文本转换为特征向量，这能让你使用它们作为估计器的输入。

 

先决条件

打开命令行，下载并安装Numpy。Numpy是numericalpython的缩写，它为大量的多维数组和、阵及几个有用的数学函数提供支持。运行以下命令：

 

Pip install numpy

接下来，安装Pandas。Pandas将帮助你对数据执行大量操作，例如导入、准备、合并、重塑、连接、处理、分析和调整数据。它是围绕DataFrame对象组织的。运行以下命令：

 

Pip install pandas

最后，安装项目中最重要的sklearn库。它主要用于机器学习，含有内置的算法，这些算法包括模型选择、模式、聚类、回归和聚类的函数。运行以下命令：

 

Pip install sklearn

还需要安装JupyterLab。JupyterLab是一个基于web的工具，用于收集Jupyter数据、代码、笔记本。它具有灵活性，可以自定义它来处理机器学习、科学计算和数据科学中的多个工作流。运行以下命令：

 

Pip install jupyter lab

 

安装好了之后，可以在命令提示符中输入以下命令：

 

C:>jupyterlab

浏览器会打开一个新窗口，转到New à Console。勾选文本框，在这里输入你的代码，按Shift + Enter运行你的命令。

 

图源：unsplash

使用什么数据集呢？

 

我们将使用一个包含7796行和4列的大型数据集。这些列表示：

·        一个标识符

·        新闻标题

·        新闻文本

·        标签（例如，这则新闻是真是假）

从此链接下载数据集：https://drive.google.com/file/d/1er9NJTLUA3qnRuyhfzuN0XUsoIC4a-_q/view

 

对社交媒体上的新闻进行事实核查

 

导入刚刚在JupyterLab控制台中安装的所有库。运行以下代码：

 

import numpyas nyimportpandas as psimportitertoolsfromsklearn.model_selection import train_test_splitfromsklearn.feature_extraction.text import TfidfVectorizerfromsklearn.linear_model import PassiveAggressiveClassifierfromsklearn.metrics import accuracy_score, confusion_matrix

将Excel数据转换为二维数据结构（矩阵），我们需要使用来自pandas的DataFrame，它是一个可以包含异构列的二维数据结构。通过使用shape和head属性可以确定数据集的格式和检查行。运行以下代码：

 

#Read from the datasetdf=ps.read_csv(‘C:\SocialFactCheckPython\news.csv’)df.shapedf.head(6)

接着用DataFrame获得真实和虚假的事实。运行以下代码：

 

#Check the labelsfactcheck=df.labelfactcheck.head(7)

常见任务是将数据集分为两组：培训和测试。

 

#Split the dataseta_train,a_test,b_train,b_test=train_test_split(df[‘text’],factcheck, test_size=0.15, random_state=8)

将TF-IDF Vectorizer初始化。设置英文停止词，并指定最大文档频率为0.65。这表示包含较高文档频率的术语将被删除。

 

过滤出停止词来进行自然语言处理。TF-IDF Vectorizer用于将一组原始文档转换为具有TF-IDF特性的矩阵。随机状态用于指定随机生成的种子，它确保了分割测试集训练集总是确定的。

 

使用矢量化工具来适应并转换你的训练集和测试集。用.fit_transform学习词汇表和逆文档频率。作为响应，它会创建term-document矩阵。使用.transform可返回一个term-document矩阵。运行以下代码：

 

tfidf_vectorizer=TfidfVectorizer(stop_words=’english’,max_df=0.65)tfidf_train=tfidf_vectorizer.fit_transform(a_train)tfidf_test=tfidf_vectorizer.transform(a_test)

现在将被动攻击算法初始化，将它安装在tfidf_train和b_train上。TF-IDF Vectorizer将有助于对测试集进行预测，并用sklearn.metrics中的 accuracy score()函数进行事实核查。

 

在多标签分类中，accuracy score()函数可以用来处理子集的准确率。一个样本中预测的标签必须与另一子集中相应的标签完全匹配。运行以下代码：

 

pclass=PassiveAggressiveClassifier(max_iter=60)pclass.fit(tfidf_train,b_train)b_pred=pclass.predict(tfidf_test)factcheckscore=accuracy_score(b_test,b_pred)print(f’Fact-checkAccuracy Is {round(factcheckscore*100,2)}%’)

这表明，该模型在区分真实新闻和假新闻时，准确率为94.43%。让我们来看看它有多少次是正确的，运行以下代码：

  

结果是，有456个真阳性，442个真阴性，27个假阳性和49个假阴性。

 

Python可以用来检测出社交媒体上的假新闻。从包含政治新闻的数据集中提取数据，用TF-IDF Vectorizer将其转换为向量，运行被动攻击算法，拟合模型，最终能得到94.43%的准确率。

 

图源：unsplash

如今，假新闻已然泛滥成灾，是时候好好“收拾”它们了。

 

推荐阅读专题

留言点赞发个朋友圈

我们一起分享AI学习与发展的干货

编译组：吴子珺、孔祺琪

相关链接：

https://medium.com/datadriveninvestor/using-python-to-detect-fake-news-7895101aebb8

如转载，请后台留言，遵守转载规范

推荐文章阅读

ACL2018论文集50篇解读

EMNLP2017论文集28篇论文解读

2018年AI三大顶会中国学术成果全链接

ACL2017论文集：34篇解读干货全在这里

10篇AAAI2017经典论文回顾

长按识别二维码可添加关注

读芯君爱你