本文转载自公众号“读芯术”(ID：AI_Discovery)。
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这一系列问题，美国议员指责Facebook的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，他无法回答这个问题。
越来越多的民众意识到得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，人们可以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
先打住，我们有必要先理解一些概念：
1. 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。
2. 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。
3. 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真实事件呢?
1. 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。
2. 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。
3. 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 ny
- importpandas as ps
- importitertools
- fromsklearn.model_selection import train_test_split
- fromsklearn.feature_extraction.text import TfidfVectorizer
- fromsklearn.linear_model import PassiveAggressiveClassifier
- fromsklearn.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 dataset
- df=ps.read_csv(‘C:\SocialFactCheckPython\news.csv’)
- df.shape
- df.head(6)
接着用DataFrame获得真实和虚假的事实。运行以下代码：
- #Check the labels
- factcheck=df.label
- factcheck.head(7)
常见任务是将数据集分为两组：培训和测试。
- #Split the dataset
- a_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。
如今，假新闻已然泛滥成灾，是时候好好“收拾”它们了。
