Haga clic para modificar el estilo de título del patrón

Texto completo

(1)Haga clic para modificar el estilo de título del patrón. Autor: Alfonso de Paz García. Tutor: Alejandro Bellogín Kouki 1.

(2) Haga clic para modificar el estilo de título del patrón. Índice. 1. Introducción i. Motivación ii. Objetivos 2. Sistema desarrollado i. Sistema de crawling ii. Sistema de extracción de Twitter iii. Sistema de generación de puntuaciones iv. Sistema de generación de ficheros para la recomendación 3. Experimentos i. Análisis del dataset final ii. Descripción de los datos generados iii. Recomendadores y métricas iv. Resultados 4. Conclusiones y trabajo futuro. 2 2.

(3) Haga clic para modificar el estilo de título delINTRODUCCIÓN patrón Motivación. DESINFORMACIÓN (MISINFORMATION). RECOMMENDATION SYSTEM. 3 3.

(4) Haga clic para modificar el estilo de título delINTRODUCCIÓN patrón Objetivos Creación del dataset. •. Proceso de búsqueda de noticias reales y desinformativas. •. Extracción automatizada de las noticias.. •. Extracción automatizada de información que relacione estas noticias con usuarios. •. Procesar dicha información para obtener el conjunto de datos final. 4 4.

(5) Haga clic para modificar el estilo de título delINTRODUCCIÓN patrón Comportamiento de los Objetivos sistemas de recomendación. •. Proceso de selección de los recomendadores más representativos en el área de estudio.. •. Entrenar con distintos subconjuntos del dataset para probar distintas situaciones.. •. Analizar los resultados con métricas orientadas a medir la cantidad de desinformación.. 5 5.

(6) Haga clicdesarrollado para modificar el estilo de título del patrón Sistema. 6 6.

(7) Sistema Haga clic para modificar el estilo de título del patrón desarrollado. Térmometro de Politifact Verdaderas Falsas 7 7.

(8) Sistema Haga clic para modificar el estilo de título del patrón desarrollado. Cada URL se busca en Twitter de forma automatizada usando Selenium. Duración alrededor de 4h para buscar unas 850 publicaciones. 8 8.

(9) Sistema Haga clic para modificar el estilo de título del patrón desarrollado Limitaciones de la API de Twitter. • Tweets de hasta 7 días de antigüedad • 100 tweets por petición • 180 peticiones por minuto. Con el Identificador del tweet nos saltamos esta restriccción. 9 9.

(10) Sistema Haga clic para modificar el estilo de título del patrón desarrollado Cada tweet extraído con Selenium se busca en la API. TweetIDs 1010.

(11) Sistema Haga clic para modificar el estilo de título del patrón desarrollado Tweet de @Ejemplo. Para cada usuario se extraen 150 tweets de su timeline. @Ejemplo. X150 tweets 1111.

(12) Sistema Haga clic para modificar el estilo de título del patrón desarrollado Dataset final de puntuaciones. •. User. •. Rate (0,1,-1). •. tweed_id_rated. •. tweet_id. •. tweet_in_replay. •. claim. •. claim_in_replay. 1212.

(13) Sistema Haga clic para modificar el estilo de título del patrón desarrollado (Tweet Padre). JSON generado para ese tweet. Claim 1313.

(14) Sistema Haga clic para modificar el estilo de título del patrón desarrollado. Tweet puntuado (el del padre). JSON generado para ese tweet. (Tweet ID del hijo) (Tweet ID del padre). (Tweet ID del hijo). (Claim del hijo). (Tweet ID del hijo) 1358274594365448193. (Tweet ID del padre) 1377399121565282306. 1414.

(15) Sistema Haga clic para modificar el estilo de título del patrón desarrollado. Tweet neutral del timeline del usuario. JSON generado para ese tweet. 1515.

(16) Sistema Haga clic para modificar el estilo de título del patrón desarrollado Hilo de un mismo autor. 1616.

(17) Sistema Haga clic para modificar el estilo de título del patrón desarrollado Dataset final. Datasets generados aleatoriamente para la recomendación UserID ItemID Rate 1344356576786866176 512__b 0.521 93215780 546__g 5.279 1214154537314832391 1.196 UserID 564__b ItemID 23452847 443__b 1.051 1344356576786866176 512__b 2814186879 801__g 5.055 93215780 546__g 415196079 626__g UserID 5.432 1214154537314832391 564__b 1480259144 129__g 4.823 1344356576786866176 23452847 443__b 938197264010444800 2814186879 564__b 1.182 93215780 801__g 44175599 415196079 632__g 4.667 626__g 1214154537314832391 14091197 1480259144 40__g 4.823 129__g 23452847 1152655583444635648 874__b 0.966 938197264010444800 564__b 2814186879 702693550111092737 574__g 4.621 44175599 632__g 415196079 17919393 6__b 1.392 14091197 40__g 1480259144 22555372 140__g 5.481 938197264010444800 1152655583444635648 874__b 888365903930417154 56__g 5.069 44175599 702693550111092737 574__g 1151239321074184192 208__b 0.697 14091197 17919393 6__b 4520484798 208__g 4.991 22555372 140__g 1152655583444635648 161142392 72__b 1.387 888365903930417154 56__g 702693550111092737 3519064697 616__b 1.182 1151239321074184192 208__b 17919393 52320662 4520484798 616__b 1.161 208__g 22555372 2835451658 161142392 504__b 1.39 888365903930417154 72__b 342833326 3519064697 854__b 1.282 1151239321074184192 616__b 197371392 845__b 0.66 4520484798 52320662 616__b 20644656 2835451658 854__g 5.421 504__b 161142392 902268741844692992 342833326 696__g 5.047 854__b 3519064697 1204748512275120128 197371392 338__g 5.012 845__b 52320662 28448196 895__g 5.219 20644656 854__g 2835451658 747153392 882__g 4.787 342833326 902268741844692992 696__g 154697628 286__g 5.225 197371392 1204748512275120128 338__g 1307768174 845__b 1.236 20644656 28448196 895__g 18584875 747153392 845__b 1.223 882__g 902268741844692992 4924987672 154697628 969__g 4.619 286__g 1204748512275120128 1307768174 845__b 28448196 18584875 845__b 747153392 4924987672 969__g 154697628 1307768174 18584875 4924987672. Formato JSON. Formato TSV. Rate 0.521 5.279 ItemID 1.196 512__b 1.051 546__g 5.055 5.432 564__b 4.823 443__b 1.182 801__g 4.667 626__g 4.823 129__g 564__b 0.966 632__g 4.621 40__g 1.392 5.481 874__b 5.069 574__g 0.697 6__b 4.991 140__g 56__g 1.387 208__b 1.182 208__g 1.161 1.39 72__b 1.282 616__b 0.66 616__b 5.421 504__b 854__b 5.047 845__b 5.012 854__g 5.219 4.787 696__g 5.225 338__g 1.236 895__g 1.223 882__g 4.619 286__g 845__b 845__b 969__g. Rate 0.521 5.279 1.196 1.051 5.055 5.432 4.823 1.182 4.667 4.823 0.966 4.621 1.392 5.481 5.069 0.697 4.991 1.387 1.182 1.161 1.39 1.282 0.66 5.421 5.047 5.012 5.219 4.787 5.225 1.236 1.223 4.619. 1717.

(18) Sistema Haga clic para modificar el estilo de título del patrón desarrollado Dataset final (proporción de desinformación). Dataset final. (proporción de neutralidad) (con los tweets neutrales obtenido de los timelines). Dataset generado aleatoriamente para la recomendación UserID UserID 1344356576786866176 1344356576786866176 93215780 1214154537314832391 93215780 23452847 12141545373148323912814186879 415196079 234528471480259144 938197264010444800 2814186879 44175599 415196079 14091197 1152655583444635648 1480259144 702693550111092737 938197264010444800 17919393 44175599 22555372 888365903930417154 14091197 1151239321074184192 11526555834446356484520484798 161142392 7026935501110927373519064697 52320662 179193932835451658 22555372342833326 197371392 888365903930417154 20644656 902268741844692992 1151239321074184192 1204748512275120128 4520484798 28448196 161142392747153392 154697628 35190646971307768174 18584875 523206624924987672 2835451658 342833326. ItemID Rate ItemID 512__b 0.521 546__g 512__b 5.279 564__b 546__g 1.196 443__b 1.051 801__g 564__b 5.055 626__g 5.432 443__b 129__g 4.823 564__b 801__g 1.182 632__g 4.667 626__g 40__g 4.823 874__b 129__g 0.966 574__g 4.621 564__b 6__b 1.392 140__g 5.481 234757654486057654 56__g 5.069 126753391548612265 208__b 0.697 208__g 4.991 1357533915486056450 72__b 1.387 616__b 1.182 435753324448605678 616__b 1.161 6__b 504__b 1.39 854__b 140__g 1.282 845__b 0.66 56__g 854__g 5.421 696__g 208__b 5.047 338__g 5.012 895__g 208__g 5.219 882__g 4.787 72__b 286__g 5.225 845__b 616__b 1.236 845__b 1.223 616__b 969__g 4.619. 504__b 854__b. Rate 0.521 5.279 1.196 1.051 5.055 5.432 4.823 1.182 3.463 2.987 3.345 2.767 1.392 5.481 5.069 0.697 4.991 1.387 1.182 1.161 1.39 1.282. (Neutralidad). 1818.

(19) Sistema Haga clic para modificar el estilo de título del patrón desarrollado Dataset generado aleatoriamente para la recomendación Proporción de desinformación:. Dataset final •. En función de las tuplas. •. En función de los usuarios. UserID UserID 1344356576786866176 1344356576786866176 93215780 1214154537314832391 93215780 23452847 12141545373148323912814186879 415196079 234528471480259144 938197264010444800 2814186879 44175599 415196079 14091197 1152655583444635648 1480259144 702693550111092737 938197264010444800 17919393 44175599 22555372 888365903930417154 14091197 1151239321074184192 11526555834446356484520484798 161142392 7026935501110927373519064697 52320662 179193932835451658 22555372342833326 197371392 888365903930417154 20644656 902268741844692992 1151239321074184192 1204748512275120128 4520484798 28448196 161142392747153392 154697628 35190646971307768174 18584875 523206624924987672 2835451658 342833326. ItemID Rate ItemID 512__b 0.521 546__g 512__b 5.279 564__b 546__g 1.196 443__b 1.051 801__g 564__b 5.055 626__g 5.432 443__b 129__g 4.823 564__b 801__g 1.182 632__g 4.667 626__g 40__g 4.823 874__b 129__g 0.966 574__g 4.621 564__b 6__b 1.392 140__g 5.481 234757654486057654 56__g 5.069 126753391548612265 208__b 0.697 208__g 4.991 1357533915486056450 72__b 1.387 616__b 1.182 435753324448605678 616__b 1.161 6__b 504__b 1.39 854__b 140__g 1.282 845__b 0.66 56__g 854__g 5.421 696__g 208__b 5.047 338__g 5.012 895__g 208__g 5.219 882__g 4.787 72__b 286__g 5.225 845__b 616__b 1.236 845__b 1.223 616__b 969__g 4.619. 504__b 854__b. Rate 0.521 5.279 1.196 1.051 5.055 5.432 4.823 1.182 3.463 2.987 3.345 2.767 1.392 5.481 5.069 0.697 4.991 1.387 1.182 1.161 1.39 1.282. 1919.

(20) Sistema Haga clic para modificar el estilo de título del patrón desarrollado Dataset generado aleatoriamente para la recomendación. Dataset final. Proporción de neutralidad: EJ: 150 tweets por 6025 users Un 25% de neutralidad →. 37 tweets x 6025 = ~230K elem. (con los tweets neutrales obtenido de los timelines). UserID UserID 1344356576786866176 1344356576786866176 93215780 1214154537314832391 93215780 23452847 12141545373148323912814186879 415196079 234528471480259144 938197264010444800 2814186879 44175599 415196079 14091197 1152655583444635648 1480259144 702693550111092737 938197264010444800 17919393 44175599 22555372 888365903930417154 14091197 1151239321074184192 11526555834446356484520484798 161142392 7026935501110927373519064697 52320662 179193932835451658 22555372342833326 197371392 888365903930417154 20644656 902268741844692992 1151239321074184192 1204748512275120128 4520484798 28448196 161142392747153392 154697628 35190646971307768174 18584875 523206624924987672 2835451658 342833326. ItemID Rate ItemID 512__b 0.521 546__g 512__b 5.279 564__b 546__g 1.196 443__b 1.051 801__g 564__b 5.055 626__g 5.432 443__b 129__g 4.823 564__b 801__g 1.182 632__g 4.667 626__g 40__g 4.823 874__b 129__g 0.966 574__g 4.621 564__b 6__b 1.392 140__g 5.481 234757654486057654 56__g 5.069 126753391548612265 208__b 0.697 208__g 4.991 1357533915486056450 72__b 1.387 616__b 1.182 435753324448605678 616__b 1.161 6__b 504__b 1.39 854__b 140__g 1.282 845__b 0.66 56__g 854__g 5.421 696__g 208__b 5.047 338__g 5.012 895__g 208__g 5.219 882__g 4.787 72__b 286__g 5.225 845__b 616__b 1.236 845__b 1.223 616__b 969__g 4.619. 504__b 854__b. Rate 0.521 5.279 1.196 1.051 5.055 5.432 4.823 1.182 3.463 2.987 3.345 2.767 1.392 5.481 5.069 0.697 4.991 1.387 1.182 1.161 1.39 1.282. (Neutralidad). 2020.

(21) Sistema Haga clic para modificar el estilo de título del patrón desarrollado Dataset final. (Claims mapeadas). Claims etiquetadas: • __b → El usuarios está relacionado con dicha claim por desinformar. • __g → El usuarios está relacionado con dicha claim por usarla para verificar.. Tener los claims etiquetados nos permite saber la cantidad de desinformación recomendada a un usuario. 2121.

(22) Sistema Haga clic para modificar el estilo de título del patrón desarrollado Suavizado de los datos. Objetivos para mejorar la recomendación: • Evitar tener valores negativos • Darle variedad a los datos. Pasos: • -1 -> 1 • 0 -> 3 • 1 -> 5 • Ruido random de [-0.5 – 0.5] 2222.

(23) Sistema Haga clic para modificar el estilo de título del patrón desarrollado. 2323.

(24) Experimentos Haga clic para modificar el estilo de título del patrón Análisis del dataset final. • Entre enero de 2020 y febrero de 2021 • Actualidad de Estados Unidos. 2424.

(25) Experimentos. Haga clic para modificar el estilo de título delAnálisis patrón del dataset final Politifact (elementos verificados) Politifact. 703 elementos como falsos 149 elementos como verdaderos. Twitter (tweets que comparten estas publicaciones de Politifact) 5792 tweets con claims puntuadas como falsas Falsos : false y pants-fire Verdaderos : half-true, true y mostly-true. 415 tweets con claims puntuadas como verdaderas 2525.

(26) Experimentos. Haga clic para modificar el estilo de título delAnálisis patrón del dataset final 9.5 tweets/publicación. 11.3 tweets/publicación. 3.74 tweets/publicación. Una mayor proporción indica un mayor interés por compartir dichas verificaciones en la red social. 2626.

(27) Hagaseclic para modificar ¿Qué comparte más?. Experimentos. el estilo de título delAnálisis patrón del dataset final. Interacción en twitter 8.24 tweets/publicación con puntuación falsa 2.78 tweets/publicación con puntuación verdadera. x4!!. 2727.

(28) Haga clic para modificar ¿Cuándo se responde más?. Experimentos. el estilo de título delAnálisis patrón del dataset final. 51% son tweets en respuesta. 62% son tweets en respuesta. Es más fácil desinformar desmintiendo una noticia verdadera que inventando algo. 2828.

(29) Haga está clicrepartido para modificar el ¿Cómo el dataset final?. Experimentos. estilo de título delAnálisis patrón del dataset final. 74%. 26%. 2929.

(30) Experimentos. ¿Cuántos elementos hay por cada usuarios Haga clic para modificar el estilo de título delAnálisis patrón del dataset final en el dataset final?. Top 3: -. Cuentas de Twitter basadas en compartir contenido de Politifact. -. Usuario con un tweet falso que ha recibido una gran cantidad de interacciones. Media de 1.4 tuplas/usuarios Mediana de 1 tuplas/usuarios Esta distribución dificulta la recomendación, lo que se intenta solucionar con el suavizado de los datos. 3030.

(31) Experimentos. Haga clic para modificar el estilo de título del patrón. Descripción de los datos generados para recomendar. Dataset final. Proporción de desinformación:. 10%. •. En función de las tuplas. 60%. •. En función de los usuarios. 90%. 30%. 0%. Proporción de neutralidad. 25% 50%. Datasets generados aleatoriamente para la recomendación UserID ItemID Rate 1344356576786866176 512__b 0.521 93215780 546__g 5.279 1214154537314832391 UserID 564__b 1.196 ItemID Rate 23452847 443__b 1.051 512__b 1344356576786866176 0.521 2814186879 801__g 93215780 5.055 546__g 5.279 415196079 626__g 5.432 UserID 1214154537314832391 564__b 1.196 ItemID 1480259144 129__g 4.823 1344356576786866176 23452847 443__b 1.051 512__b 938197264010444800 564__b 1.182 93215780 2814186879 801__g 5.055 546__g 44175599 632__g 4.667 1214154537314832391 415196079 626__g 5.432 564__b 14091197 40__g 4.823 23452847 1480259144 4.823 443__b 1152655583444635648 874__b 0.966 129__g 2814186879 938197264010444800 1.182 801__g 702693550111092737 574__g 4.621 564__b 415196079 4.667 626__g 17919393 6__b 44175599 1.392 632__g 1480259144 4.823 129__g 22555372 140__g 14091197 5.481 40__g 938197264010444800 888365903930417154 56__g 5.069 874__b 1152655583444635648 0.966 564__b 1151239321074184192 208__b 0.697 574__g44175599 702693550111092737 4.621 632__g 4520484798 208__g 17919393 4.991 6__b 14091197 1.392 40__g 161142392 72__b 22555372 1.387 1152655583444635648 140__g 5.481 874__b 3519064697 616__b 1.182 702693550111092737 888365903930417154 56__g 5.069 574__g 52320662 616__b 1.161 1151239321074184192 208__b17919393 0.697 6__b 2835451658 504__b 1.39 22555372 4520484798 208__g 4.991 140__g 342833326 854__b 1.282 888365903930417154 161142392 72__b 1.387 56__g 197371392 845__b 0.66 1151239321074184192 3519064697 1.182 208__b 20644656 854__g 5.421 616__b 4520484798 1.161 208__g 902268741844692992 696__g 52320662 5.047 616__b 161142392 2835451658 1.39 72__b 1204748512275120128 338__g 5.012 504__b 3519064697 28448196 895__g342833326 5.219 854__b 1.282 616__b 52320662 747153392 882__g197371392 4.787 845__b 0.66 616__b 2835451658 154697628 286__g 20644656 5.225 854__g 5.421 504__b 1307768174 845__b 1.236 342833326 902268741844692992 696__g 5.047 854__b 18584875 845__b 1.223 197371392 1204748512275120128 338__g 5.012 845__b 4924987672 969__g 4.619 20644656 854__g. 28448196 895__g 5.219 902268741844692992 747153392 882__g 4.787 696__g 1204748512275120128 154697628 286__g 5.225 338__g 1307768174 845__b28448196 1.236 895__g 747153392 18584875 845__b 1.223 882__g 154697628 4924987672 969__g 4.619 286__g 1307768174 845__b 18584875 845__b 4924987672 969__g. Rate 0.521 5.279 1.196 1.051 5.055 5.432 4.823 1.182 4.667 4.823 0.966 4.621 1.392 5.481 5.069 0.697 4.991 1.387 1.182 1.161 1.39 1.282 0.66 5.421 5.047 5.012 5.219 4.787 5.225 1.236 1.223 4.619. 24 ficheros usados para recomendar y obtener resultados. Debido a la alta dispersión y cantidad de elementos se requiere de mucha potencia computacional. 3131.

(32) Experimentos. Haga clic para modificar el estilo de título del patrón. Recomendadores y métricas Recomendadores No personalizados • Random • MostPop. FC basado en vecinos próximos • ItemKNN • UserKNN FC basado en fact. Matrices • BPRMF • FunkSVD • SVD++. Métricas. ·Recuento de desinformación (RD) ·Diferencia de ratio de desinformación (DRD) ·Contador de recomendaciones (CR) ·Contador de recomendaciones promedio (CRP) (Pensadas para ItemKNN y UserKNN). FC basado en redes neuronales • MultiVAE 3232.

(33) Experimentos. Haga clic para modificar el estilo de título del patrón. Resultados. Media de 1.4 tuplas/usuarios Mediana de 1 tuplas/usuarios. Proporción de desinformación calculada según todas las tuplas y proporción de neutralidad del 0%. Proporción de desinformación calculada según los 33 33 usuarios y proporción de neutralidad del 0%.

(34) Experimentos. Haga clic para modificar el estilo de título del patrón Resultados Proporción de desinformación calculada según todas las tuplas y proporción de neutralidad del 0%. x3. Proporción de desinformación calculada según los usuarios y proporción de neutralidad del 0%. 3434.

(35) Experimentos. Haga clic para modificar el estilo de título del patrón Resultados Proporción de desinformación calculada según todas las tuplas y proporción de neutralidad del 0%. Proporción de desinformación calculada según los usuarios y proporción de neutralidad del 0%. 3535.

(36) Experimentos. Haga clic para modificar el estilo de título del patrón Resultados Proporción de desinformación calculada según todas las tuplas y proporción de neutralidad del 0%. Algoritmos no personalizados. Proporción de desinformación calculada según los usuarios y proporción de neutralidad del 0%. 3636.

(37) Experimentos. HagaProporción clic para modificar el estilo de título del patrón Resultados de desinformación calculada según todas las tuplas y proporción de neutralidad del 0%. Algoritmos FC basados en vecinos próximos. Proporción de desinformación calculada según los usuarios y proporción de neutralidad del 0%. 3737.

(38) Experimentos. Haga clic para modificar el estilo de título del patrón Resultados Ratios bajos (<0.5). Algoritmos FC basados en factorización de matrices. Ratios altos (>0.5). (A partir de ahora solo mostraremos la proporción de desinformación calculada según todas las tuplas). 3838.

(39) Experimentos. Haga clic para modificar el estilo de título del patrón Resultados Ratios bajos (<0.5). Algoritmos FC basados en redes neuronales. Ratios altos (>0.5). (A partir de ahora solo mostraremos la proporción de desinformación calculada según todas las tuplas). 3939.

(40) Experimentos. Haga clic para modificar el estilo de título del patrón Resultados Impacto de la neutralidad en la recomendación. (A partir de ahora solo mostraremos la proporción de desinformación calculada según todas las tuplas). 4040.

(41) Experimentos. Haga clic para modificar el estilo de título del patrón Resultados Impacto de la neutralidad en la recomendación. (Neutralidad). Métrica RD@10. (A partir de ahora solo mostraremos la proporción de desinformación calculada según todas las tuplas). 4141.

(42) Experimentos. Haga clic para modificar el estilo de título del patrón Resultados Impacto de la neutralidad en la recomendación. (Neutralidad). Métrica RD@10. (A partir de ahora solo mostraremos la proporción de desinformación calculada según todas las tuplas). 4242.

(43) Experimentos. Haga clic para modificar el estilo de título del patrón Resultados Impacto de la neutralidad en la recomendación. (Neutralidad). ¿Son los algoritmos basados en factorización de matrices los peores? x2!!. Métrica RD@10. (A partir de ahora solo mostraremos la proporción de desinformación calculada según todas las tuplas). 4343.

(44) Experimentos. Haga clic para modificar el estilo de título del patrón Resultados Impacto de la neutralidad en la recomendación. (Neutralidad). ¿Son los algoritmos basados en factorización de matrices los peores?. Métrica RD@10. (A partir de ahora solo mostraremos la proporción de desinformación calculada según todas las tuplas). 4444.

(45) Impacto de la neutralidad Haga clic para modificar en la recomendación. Experimentos. el estilo de título del patrón Resultados (Neutralidad). * Buen método pero tiene el Top peores algoritmos (de mayor a menor desinformación). - MostPopular y BPMRF. - FunkSVD. inconveniente de no ofrecer recomendaciones de calidad. ** SVD++ nos falta conocer la neutralidad del 50%. - ItemKNN, UserKNN, MultiVAE - Random* y SVD++**. Con mucha neutralidad, UserKNN y MultiVAE son las mejores opciones.. 4545.

(46) Conclusiones Haga clic para modificar el estilo de título del patrón. CONCLUSIONES Y TRABAJO FUTURO. - Los datos extraídos son sencillos y naturales. - Se ha demostrado que los tweets desinformativos son más polémicos y generan muchas interacciones.. - ItemKNN y UserKNN son los que más destacan con ratios altos pero con inconvenientes. - No existe un algoritmo de recomendación superior a otro en cualquier situación 46 46.

(47) Haga clic para modificar el estilo de título del patrón. CONCLUSIONES Y TRABAJO FUTURO. Trabajo Futuro - Reducción de las limitaciones a la hora de extraer los datos. - Añadir más variedad aumentando los portales verificadores - Mejorar las recomendaciones. (mejorando a nivel computacional y añadiendo mas variedad) - Aplicar técnicas de procesamiento. natural y análisis de redes sociales a los elementos desinformativos 47 47.

(48) Haga clic para modificar el estilo de título del patrón. Gracias. 48.

(49) Haga clic para Explicación demodificar XPATH el estilo de título del patrón. Archivo de configuración del crawler, conf.json 4949.

(50) Experimentos. ¿Cuáles son los claims más populares Haga clic para modificar el estilo de título delAnálisis patrón del dataset final en Twitter?. Top 10. 5050.

(51)

Figure

Actualización...

Referencias

Actualización...

Related subjects :