基于朴素贝叶斯与 LSTM 的假新闻检测模型对比分析

 一、引言

  在信息爆炸的时代，假新闻的传播对社会产生了诸多负面影响。如何快速、准确地识别假新闻成为了重要的研究课题。本文将对比传统机器学习算法（朴素贝叶斯）与深度学习模型（LSTM）在假新闻检测任务中的性能表现，包括准确率、训练时间和预测时间等指标，并通过代码实现完整的建模流程。

 

 

二、数据准备与预处理

2.1 数据读取与标签设置

  本文使用的数据集包含真实新闻（True.csv）和虚假新闻（Fake.csv），通过pandas读取后为两类数据添加标签（1 代表真新闻，0 代表假新闻），并合并为完整数据集：

true_df = pd.read_csv('True.csv')
fake_df = pd.read_csv('Fake.csv')
true_df['label'] = 1
fake_df['label'] = 0
combined_df = pd.concat([true_df, fake_df], axis=0)

 

2.2 文本清洗

  通过正则表达式去除非字母数字字符，并将文本转换为小写，提升模型输入质量：

def clean_text(text):text = re.sub(r'[^\w\s]', '', text).lower()return text
combined_df['text'] = combined_df['text'].apply(clean_text)

 

2.3 数据集划分 

  按照 8:2 的比例将数据划分为训练集和测试集，确保模型评估的客观性：

X = combined_df['text']
y = combined_df['label']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

 

 

三、模型构建与训练

3.1 朴素贝叶斯模型（传统机器学习）

 

3.1.1 特征工程：TF-IDF 向量化

  通过 TF-IDF（词频 - 逆文档频率）将文本转换为数值特征，捕捉词语在文档中的重要性：

vectorizer = TfidfVectorizer()
X_train_vec = vectorizer.fit_transform(X_train)
X_test_vec = vectorizer.transform(X_test)

 

3.1.2 模型训练与评估

  使用多项式朴素贝叶斯分类器进行训练，并计算训练时间、预测时间和准确率：

clf = MultinomialNB()
clf.fit(X_train_vec, y_train)
y_pred_bayes = clf.predict(X_test_vec)
accuracy_bayes = accuracy_score(y_test, y_pred_bayes)

3.2 LSTM 模型（深度学习）

 

3.2.1 文本向量化：Tokenizer 与序列填充 

  通过Tokenizer将文本转换为整数序列，并使用固定长度（500）填充序列，适配神经网络输入：

max_words = 10000
max_sequence_length = 500
tokenizer = Tokenizer(num_words=max_words)
tokenizer.fit_on_texts(X_train)
X_train_seq = tokenizer.texts_to_sequences(X_train)
X_train_pad = pad_sequences(X_train_seq, maxlen=max_sequence_length)

 

3.2.2 模型架构设计

  构建包含嵌入层（Embedding）、两层 LSTM 层和 Dropout 正则化的神经网络，用于捕捉文本序列中的语义特征：

model = Sequential([Embedding(max_words, 100, input_length=max_sequence_length),LSTM(128, return_sequences=True),Dropout(0.5),LSTM(64),Dropout(0.5),Dense(1, activation='sigmoid')
])
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

 

3.2.3 训练过程优化

  使用早停法（Early Stopping）防止过拟合，自动保存最优权重：

early_stopping = EarlyStopping(monitor='val_loss', patience=3, restore_best_weights=True)
history = model.fit(X_train_pad, y_train, epochs=10, batch_size=64, validation_split=0.2, callbacks=[early_stopping])

 

四、结果对比与分析

 

4.1 性能指标对比

 

 4.2 混淆矩阵

 

 

4.2 训练历史曲线 

 

 

五、随机样本预测示例 

# 随机选择5条新闻对比预测结果
np.random.seed(42)
random_indices = np.random.choice(len(X_test), 5, replace=False)
for i, idx in enumerate(random_indices):text = X_test.iloc[idx]true_label = y_test.iloc[idx]# 朴素贝叶斯与LSTM预测逻辑...print(f"新闻 {i+1}: 真实标签 {true_label}, 贝叶斯预测 {pred_bayes}, LSTM预测 {pred_lstm}")

 

 

 

六、总结与展望 

朴素贝叶斯：优点是训练速度快、计算资源需求低，适合小规模数据或实时预测场景。

LSTM：在准确率上有优势，能更好捕捉文本语义特征，但需要更高的计算成本。

改进方向：可尝试优化 LSTM 参数（如层数、神经元数量）、使用预训练词向量（如 GloVe）或结合注意力机制进一步提升性能。