This study aims to (1) examine the effectiveness of the Convolutional Gated Recurrent Network for Fake News Detection (CGRN4FakeNews) model in fake news classification and (2) compare its performance with baseline methods across different datasets. The model was evaluated using the PolitiFact and GossipCop subsets of the FakeNewsNet dataset. The research process involved text preprocessing and data cleaning, including word tokenization, lowercasing, the removal of URLs, HTML tags, numerical values, punctuation marks, and redundant whitespace, as well as stopword handling. The processed text data were then transformed into vector representations using a word embedding technique for model training and evaluation. The model performance was assessed based on Accuracy, Precision, Recall, F1-score, and Confusion Matrix metrics. The experimental results indicate that the proposed CGRN4FakeNews model effectively distinguishes between real and fake news articles, achieving classification accuracies of 95.75% on the PolitiFact dataset and 91.12% on the GossipCop dataset. These findings demonstrate the effectiveness and suitability of the CGRN4FakeNews model for fake news detection tasks.

This study proposes BERTGRU4Sentiment, a deep learning model that combines fine-tuned Bidirectional Encoder Representations from Transformers (BERT) with a Gated Recurrent Unit (GRU) for multilingual sentiment analysis. The proposed model is evaluated on four benchmark datasets: Wongnai (Thai), Amazon Reviews (English), Twitter/X (English), and IMDB (English), covering both three-class (negative, neutral, positive) and two-class (negative, positive) classification tasks. To address class imbalance, a mixed over- and under-sampling strategy is applied to all datasets. Results demonstrate that BERTGRU4Sentiment consistently outperforms traditional baseline models including Decision Tree, Random Forest, XGBoost, and LSTM across all datasets, achieving accuracy of 69.49% on Wongnai, 93.67% on Amazon Reviews, 71.73% on Twitter, and 83.97% on IMDB. The findings confirm that BERTGRU4Sentiment enables richer contextual feature extraction, and the proposed architecture is effective for multilingual sentiment classification tasks.

งานวิจัยนี้มีวัตถุประสงค์เพื่อ (1) ศึกษาประสิทธิภาพของโครงข่ายประสาทเทียมแบบ Gated Recurrent Unit (GRU) ในการตรวจจับข่าวปลอม และ (2) เปรียบเทียบประสิทธิภาพของโมเดล GRU กับ เทคนิคพื้นฐานในการจำแนกข่าวจริงและข่าวปลอม โดยใช้ชุดข้อมูลข่าวจากแหล่งข้อมูลสาธารณะเป็น กรณีศึกษา คือ ชุดข้อมูลข่าวปลอม (Fake News Dataset) ประกอบด้วยข่าวจริงและข่าวปลอมอย่าง ละ 10,400 รายการ รวมทั้งหมด 20,800 รายการ กระบวนการวิจัยประกอบด้วยการเตรียมและทำความ สะอาดข้อมูลข้อความ ได้แก่ การตัดคำ การลบคำหยุด และการปรับรูปแบบข้อความ จากนั้นแปลงข้อมูล ข้อความให้อยู่ในรูปแบบเวกเตอร์ด้วยเทคนิค การฝังคำ เพื่อนำไปใช้ในการฝึกสอนและทดสอบโมเดล GRU และโมเดลพื้นฐาน โดยทำการแบ่งชุดข้อมูลออกเป็นชุดฝึกสอน (Training Set) ร้อยละ 80 และชุดทดสอบ (Testing Set) ร้อยละ 20 ของข้อมูลทั้งหมด โดยชุดฝึกสอนประกอบด้วยข้อมูลจำนวน 16,640 รายการ ใช้สำหรับการเรียนรู้และปรับค่าพารามิเตอร์ของแบบจำลอง ขณะที่ชุดทดสอบประกอบด้วยข้อมูลจำนวน 4,160 รายการ ใช้สำหรับประเมินประสิทธิภาพของแบบจำลองหลังจากกระบวนการฝึกสอนเสร็จสิ้น การประเมินประสิทธิภาพของโมเดลดำเนินการโดยใช้ตัวชี้วัด ได้แก่ ความแม่นยำ ความเที่ยงตรง ความ ครอบคลุม ค่าคะแนนเอฟหนึ่ง และ ตารางคอนฟิวชัน ผลการวิจัยพบว่า (1) โมเดล GRU สามารถจำแนกข่าว จริงและข่าวปลอมได้อย่างมีประสิทธิภาพในระดับสูง และ (2) โมเดล GRU มีค่าความแม่นยำเท่ากับร้อยละ 97.19 ซึ่งสูงกว่าเทคนิคพื้นฐานที่นำมาเปรียบเทียบ แสดงให้เห็นว่าโครงข่ายประสาทเทียมแบบ GRU มีศักยภาพในการคัดกรองข่าว เพื่อช่วยลดผลกระทบจากการเผยแพร่ข่าวปลอมในสังคมดิจิทัล

Graph convolutional networks have obviously influenced recommender systems. However, we argue that previous research has limitations: 1) unidirectional approaches are not enough to explicitly capture the representation learning, 2) social influence is ignored to extract the user preference drifts, and 3) simple and crude fusion methods are not enough to seamlessly amalgamate the diverse behavioral perspective. To address these limitations, this research proposes a novelty of Bidirectional Graph convolutional networks for social and sequential recommendation (BiG). A novel graph convolutional networks are modified into bidirectional graphs to explicitly learn the representation of dynamic user preference at social level and sequential level. A novel Bidirectional Gate (BiGate) is designed to amalgamate the diverse preferences of social and sequential influences. Empirical experiment illustrates that BiG outperforms state-of-the-art methods.