КіСА | Зміст

Том 61 >>> № 3 ТРАВЕНЬ — ЧЕРВЕНЬ 2025

-->

УДК 004.021+004.89

М.З. ЗГУРОВСЬКИЙ
Навчально-науковий інститут прикладного системного аналізу Національного
технічного університету України «Київський політехнічний інститут імені Ігоря
Сікорського», Київ, Україна, zgurovsm@hotmail.com

А.О. БОЛДАК
Навчально-науковий центр «Світовий центр даних з геоінформатики та сталого
розвитку» Національного технічного університету України «Київський політехнічний
інститут імені Ігоря Сікорського», Київ, Україна, boldak@wdc.org.ua

К.В. ЄФРЕМОВ
Навчально-науковий інститут прикладного системного аналізу Національного
технічного університету України «Київський політехнічний інститут імені Ігоря
Сікорського», Київ, Україна, k.yefremov@wdc.org.ua

О.В. СТУСЬ
Навчально-науковий інститут прикладного системного аналізу Національного
технічного університету України «Київський політехнічний інститут імені Ігоря
Сікорського», Київ, Україна, o.stus@kpi.ua

О.О. ДМИТРЕНКО
Навчально-науковий центр «Світовий центр даних з геоінформатики та сталого
розвитку» Національного технічного університету України «Київський політехнічний
інститут імені Ігоря Сікорського»; Інститут проблем реєстрації інформації
НАН України, Київ, Україна, dmytrenko@wdc.org.ua

NLP-ВЕРИФІКАЦІЯ ДОСТОВІРНОСТІ ПОВІДОМЛЕНЬ
НА ОСНОВІ АНАЛІЗУ СЕМАНТИЧНИХ МЕРЕЖ

Анотація. Розглянуто методи та підходи до формування семантичних мереж для текстових (новинних) повідомлень у медіапотоках задля виявлення потенційних джерел дезінформації. Основна ідея полягає у створенні цілісної методики побудови таких мереж, де ключові терміни використовуються як базис для семантичного моделювання. Проаналізовано різні техніки оброблення текстів, зокрема попереднє комп’ютеризоване оброблення, виділення ключових термінів і встановлення семантичних взаємозв’язків між ними. Особливу увагу приділено розробленню метрики для вимірювання семантичної близькості між інформаційними повідомленнями, представленими у вигляді семантичних мереж. Запропонована метрика, що ґрунтується на кількісній мірі Фробеніуса, дає змогу ефективно оцінювати рівень подібності та взаємозв’язку між текстами. Це сприяє точні- шому аналізу семантичного контенту, виявленню прихованих смислових зв’язків і структуризації інформації. На основі використання метрики Фробеніуса запропоновано підхід до визначення надійних і ненадійних інформаційних джерел, що уможливлює подальшу валідацію фактів, представлених у новинних повідомленнях. Застосування цього підходу дає змогу підвищити ефективність інформаційного аналізу, виявляти тенденції та прогнозувати розвиток подій у новинному просторі. Найважливішою його властивістю є здатність виявляти інформаційні впливи, що сприяє не лише збереженню інформаційної безпеки, але й гарантує національну стійкість до зовнішніх загроз.

Ключові слова: семантична мережа, міра Фробеніуса, текстовий аналіз, алгоритм побудови графу горизонтальної видимості, направлена зважена мережа термінів, верифікація достовірності повідомлень.

повний текст

СПИСОК ЛІТЕРАТУРИ

1. Chen W., Lakshmanan L.V.S., Castillo C. Information and influence propagation in social networks. Morgan & Claypool Publishers, 2013. 177 p. https://doi.org/10.2200/ .

2. Whitman M.E., Mattord H.J. Principles of information security. Cengage Learning, 2021. 752 p.

3. Prier J. Commanding the trend: Social media as information warfare. In: Information Warfare in the Age of Cyber Conflict. Whyte C., Thrall A.T., Mazanec B.M. (Eds.). London: Routledge, 2020. P. 88–113. https://doi.org/10.4324/.

4. Taddeo M. Information warfare: A philosophical perspective. In: The Ethics of Information Technologies. Miller K.W., Taddeo M. (Eds.). London: Routledge, 2017. P. 461–476. https://doi.org/10.4324/.

5. Libicki M.C. The convergence of information warfare. In: Information Warfare in the Age of Cyber Conflict. Whyte C., Thrall A.T., Mazanec B.M. (Eds.). London: Routledge, 2020. P. 15–26. https://doi.org/10.4324/.

6. Fridman O. “Information War” as the Russian conceptualisation of strategic communications. The RUSI Journal. 2020. Vol. 165, Iss. 1. P. 44–53. https://doi.org/10.1080/.

7. Улічев О.С., Мелешко Є.В. Моделювання процесів поширення та нейтралізації інформаційних впливів у сегменті соціальної мережі. Захист інформації. 2020. Т. 22, № 3. P. 166–176. https://doi.org/10.18372/.

8. Мельникова-Курганова О.С. Засоби інформаційного впливу під час війни: типи, трансформація, тенденції. Матеріали X конгресу «Авіація в XXI столітті» — «Безпека в авіації та космічні технології». Київ: Національний авіаційний університет, 2022. С. 6.2.154–6.2.157.

9. Nasir J.A., Khan O.S., Varlamis I. Fake news detection: A hybrid CNN-RNN based deep learning approach. International Journal of Information Management Data Insights. 2021. Vol. 1, Iss. 1. Article number 100007. https://doi.org/10.1016/.

10. Kaliyar R.K., Goswami A., Narang P. FakeBERT: Fake news detection in social media with a BERT-based deep learning approach. Multimedia Tools and Applications. 2021. Vol. 80, Iss. 8. P. 11765–11788. "https://doi.org/10.1007/.

11. Lamichhane P., Shrestha K. Implementation of machine learning approach to detect clickbaits in online news. Fuse Machines Inc., 2020. P. 15–19. https://doi.org/10.13140/.

12. Sahoo S.R., Gupta B.B. Multiple features based approach for automatic fake news detection on social networks using deep learning. Applied Soft Computing. 2021. Vol. 100. Article number 106983. https://doi.org/10.1016/.

13. Drieieva H., Drieiev O., Meleshko Y., Yakymenko M., Mikhav V. A method of determining the fractal dimension of network traffic by its probabilistic properties and experimental research of the quality of this method. Proc. COLINS-2022: 6th International Conference on Computational Linguistics and Intelligent Systems (12–13 May 2022, Gliwice, Poland). Gliwice, 2022. P. 1694–1707. https://ceur-ws.org/.

14. Smetanyuk B., Mishyn V., Nakonechna Y. Wavelet and fractal analysis based news spreading model. Theoretical and Applied Cybersecurity. 2020. Vol. 2, N 1. P. 74–83. https://doi.org/10.20535/tacs.2664-29132020.1.209481.

15. Lande D.V., Dmytrenko O.O. Methodology for extracting of key words and phrases and building directed weighted networks of terms with using part-of-speech tagging. Selected Papers of the XX International Scientific and Practical Conference “Information Technologies and Security” (ITS 2020) (10 December 2020, Kyiv, Ukraine). CEUR Workshop Proceedings. 2020. Vol. 2859. P. 168–177. http://ceur-ws.org/Vol-2859/.

16. Lande D.V., Dmytrenko O.O. Using part-of-speech tagging for building networks of terms in legal sphere. Proc. 5th International Conference on Computational Linguistics and Intelligent Systems (COLINS 2021) (22–23 April 2021, Kharkiv, Ukraine). CEUR Workshop Proceedings. 2021. Vol. 2870. P. 87–97. http://ceur-ws.org/.

17. Zgurovsky M., Boldak A., Lande D., Yefremov K., Pyshnograiev I., Soboliev A., Dmytrenko O. Enhancing the relevance of information retrieval in internet media and social networks in scenario planning tasks. In: System Analysis & Intelligent Computing. Zgurovsky M., Pankratova N. (Eds.). Studies in Computational Intelligence. 2022. Vol. 1022. P. 187–199. https://doi.org/10.1007/.

18. Manning C.D., Raghavan P., Schtze H. An introduction to information retrieval. Cambridge University Press, 2008. 506 p. https://doi.org/10.1017/.

19. Teodorescu M. Machine learning methods for strategy research. Harvard Business School Research Paper Series. 2017. N18-011. http://doi.org/10.2139/ssrn.3012524.

20. Santorini B. Part-of-speech tagging guidelines for the Penn Treebank Project. Technical Report No. MS-CIS-90-47. Department of Computer and Information Science. University of Pennsylvania, 1990. 34 p. https://repository.upenn.edu/handle/.

21. Brill E. A simple rule-based part of speech tagger. Proc. the Third Conference on Applied Natural Language Processing (ANLC‘92) (31 March 1992 – 3 April 1992, Trento, Italy). Trento, 1992. P. 152–155. "https://doi.org/10.3115/.

22. Luque B., Lacasa L., Ballesteros F., Luque J. Horizontal visibility graphs: Exact results for random time series. Physical Review E. 2009. Vol. 80. Article number 046103. https://doi.org/ 10.1103/.

23. Gutin G., Mansour T., Severini S. A characterization of horizontal visibility graphs and combinatorics on words. Physica A: Statistical Mechanics and its Applications. 2011. Vol. 390, Iss. 12. P. 2421–2428. https://doi.org/10.1016/.

24. Lacasa L., Luque B., Ballesteros F., Luque J., Nuno J.C. From time series to complex networks: The visibility graph. Proc. Natl. Acad. Sci. U.S.A. 2008. Vol. 105, N 13. P. 4972–4975. https://doi.org/10.1073/.

25. Zou Y., Donner R.V., Marwan N., Donges J.F., Kurths J. Complex network approaches to nonlinear time series analysis. Physics Reports. 2019. Vol. 787. P. 1–97. https://doi.org/10.1016/.

26. Lande D.V., Dmytrenko O.O. Creating directed weighted network of terms based on analysis of text corpora. Proc. 2020 IEEE 2nd International Conference on System Analysis & Intelligent Computing (SAIC) (05–09 October 2020, Kyiv, Ukraine). Kyiv, 2020. P. 1–4. https://doi.org/10.1109/.

27. Ланде Д.В., Дмитренко О.О. Побудова семантичних мереж та визначення ступеня розбіжності текстів. Інформація і право. 2022. № 2(41). С. 44–51. https://doi.org/10.37750/ .

28. Dmytrenko O. Formation networks of terms for identifying semantic similarity or difference degree of texts in cybersecurity. Theoretical and Applied Cybersecurity. 2022. Vol. 4, N 1. P. 39–44. https://doi.org/10.20535/.

29. Böttcher A., Wenzel D. The Frobenius norm and the commutator. Linear Algebra and Its Applications. 2008. Vol. 429, Iss. 8–9. P. 1864–1885. https://doi.org/10.1016/.

30. spaCy. (n.d.). Industrial-Strength Natural Language Processing. https://spacy.io.

31. Trained Pipelines. English. (n.d.). spaCy. https://spacy.io/models/.

32. spaCy 101: Everything you need to know. (n.d.). spaCy. https://v2.spacy.io/usage/.

33. Shahane S. Fake news classification: Fake news classification on WELFake dataset. 2023. https://www.kaggle.com/datasets/.

34. Verma P.K., Agrawal P., Amorim I., Prodan R. WELFake: word embedding over linguistic features for fake news detection. IEEE Transactions on Computational Social Systems. 2021. Vol. 8, Iss. 4. P. 881–893. https://doi.org/10.1109/.

УДК 004.021+004.89

NLP-ВЕРИФІКАЦІЯ ДОСТОВІРНОСТІ ПОВІДОМЛЕНЬ НА ОСНОВІ АНАЛІЗУ СЕМАНТИЧНИХ МЕРЕЖ

СПИСОК ЛІТЕРАТУРИ

NLP-ВЕРИФІКАЦІЯ ДОСТОВІРНОСТІ ПОВІДОМЛЕНЬ
НА ОСНОВІ АНАЛІЗУ СЕМАНТИЧНИХ МЕРЕЖ