Faktencheck durch Partitionierung von Daten

In diesem Dokument schlagen wir eine neue Strategie zur Überprüfung von Fakten (Wahrheitssuche) vor, die auf dem Clustering von Daten beim maschinellen Lernen mit der k-Mittelwertmethode in Kombination mit dem Silhouettenindex zur Bestimmung des optimalen Wertes von k basiert, um die optimale Partition der Menge der Attribute zu erkennen. Eine solche optimale Partition maximiert die Genauigkeit des Wahrheitsfindungsprozesses, ohne dass alle möglichen Partitionen erforscht werden müssen. Die Ergebnisse unserer intensiven Experimente mit synthetischen und realen Daten zeigen, dass unser Ansatz die Ansätze in (Lamine Ba et al., 2015) übertrifft, wobei die Kosten für die Rechenzeit angemessener sind. Schließlich skizzieren wir eine Möglichkeit, einen gegebenen Wahrheitsfindungsprozess unter Verwendung des MapReduce-Paradigmas zu parallelisieren, um eine Explosion der Ausführungszeit zu vermeiden, wenn die Größe der Eingabedaten zunimmt.