dayanshkuroliya/ai-fake-news-detector

# 📰 AI 假新闻检测系统 一个使用机器学习与规则检测相结合的混合方法，检测新闻文章是**真实还是虚假**的人工智能系统。 ## 🚀 功能 - ✅ 虚假 / 真实新闻分类 - 📊 置信度分数可视化 - 🧠 预测解释 - 📰 真实新闻建议（针对虚假输入） - ⚡ 混合模型（机器学习 + 规则检测） - 🎨 交互式 Web UI（Streamlit） - 📜 近期预测历史记录 ## 🧠 方法 我们的系统采用**混合架构**： 1. **规则检测** - 检测不现实或虚构的声明（例如外星人、魔法） - 提升边缘情况的可靠性 2. **机器学习模型** - TF-IDF 向量化 - 逻辑回归分类器 - 在标注数据集（虚假与真实新闻）上进行训练 3. **相似度引擎** - 使用余弦相似度推荐真实新闻 ## 📊 结果 - **准确率：**98.63% - **F1 分数：**≈0.99 - 在结构化数据集上表现良好 ## 🛠️ 技术栈 - Python - Scikit-learn - Pandas - Streamlit - NLP（TF-IDF） fake-news-nlp/ │ ├── app.py # Streamlit UI ├── train.py # 模型训练 ├── test_predict.py # 测试脚本 ├── utils/ │ ├── predict.py # 预测逻辑 │ └── recommender.py # 真实新闻推荐 ├── assets/ # 图像（UI 背景） ├── README.md ## ▶️ 如何运行 ``` pip install -r requirements.txt streamlit run app.py ## 📂 项目结构 ```

标签：AI, AI-powered, Apex, fake news detection system, hybrid approach, Kubernetes, Logistic回归, NLP, Python, Scikit-learn, SEO, Streamlit, TF-IDF, Web界面, 交互式UI, 余弦相似度, 假新闻检测, 可解释性, 实时预测, 技术栈, 推荐系统, 文本分类, 新闻真实性, 无后门, 机器学习, 混合模型, 置信度评分, 自动化代码审查, 虚假新闻检测, 规则基础, 访问控制, 逆向工具, 预测历史, 领域分类