[發(fā)明專利]謠言檢測方法及設(shè)備

有效

• 申請?zhí)枺?/td>: 201810198553.0
• 申請日: 2018-03-12
• 公開（公告）號: CN108491480B
• 公開（公告）日: 2021-05-11
• 發(fā)明（設(shè)計(jì)）人: 周凱敏;何永;李傳豐;武擁珍;舒暢;劉杰漢
• 申請（專利權(quán)）人: 義語智能科技（上海）有限公司
• 主分類號: G06F16/35
• 分類號: G06F16/35
• 代理公司: 上海百一領(lǐng)御專利代理事務(wù)所(普通合伙) 31243
• 代理人: 王奎宇;甘章乖

1.一種謠言檢測方法，其中，該方法包括：

數(shù)據(jù)采集模塊，監(jiān)聽采集相關(guān)帖子，包括目標(biāo)對象發(fā)布的社交媒體的消息以及消息下的轉(zhuǎn)發(fā)和評論內(nèi)容，并按照固定的帖子條數(shù)采集一個(gè)序列的信息交由數(shù)據(jù)處理模塊處理，同時(shí)若一段時(shí)間內(nèi)沒有新消息，則就將目前采集到的帖子作為一個(gè)序列的信息交由所述數(shù)據(jù)處理模塊處理；

數(shù)據(jù)處理模塊，從數(shù)據(jù)采集模塊接收各個(gè)序列的信息，將每個(gè)序列的信息進(jìn)行數(shù)據(jù)清洗后，再進(jìn)行文本數(shù)值化處理得到消息矩陣，并將消息矩陣發(fā)送給謠言判別決策模塊；

謠言判別決策模塊，從所述數(shù)據(jù)處理模塊依次接收各個(gè)消息矩陣，并將每一個(gè)消息矩陣經(jīng)過卷積神經(jīng)網(wǎng)絡(luò)和max pooling單元，將每一個(gè)消息矩陣轉(zhuǎn)換為一個(gè)對應(yīng)的矩陣向量；預(yù)設(shè)GRU單元的初始狀態(tài)為0向量，依次向所述GRU單元輸入一個(gè)消息矩陣，所述GRU單元依照當(dāng)前輸入的消息矩陣和前一個(gè)GRU單元狀態(tài)更新GRU單元的狀態(tài)；依次記錄更新得到的GRU單元狀態(tài)，并依次將更新得到的GRU單元狀態(tài)經(jīng)過全連接神經(jīng)網(wǎng)絡(luò)，并通過softmax輸出，以計(jì)算得到能判斷和不能判斷謠言的概率；若向所述GRU單元繼續(xù)輸入某一個(gè)消息矩陣后，對應(yīng)計(jì)算得到的所述能判斷謠言的概率大于預(yù)設(shè)閾值，則結(jié)束向所述GRU單元繼續(xù)輸入下一個(gè)消息矩陣，將最后一次更新的GRU單元狀態(tài)發(fā)送給謠言判別模塊處理；

所述謠言判別模塊，將最后一次更新的謠言GRU單元狀態(tài)，經(jīng)過全連接神經(jīng)網(wǎng)絡(luò)，并通過softmax輸出，以計(jì)算得到所述采集的消息是否為謠言的概率；

結(jié)果記錄模塊，記錄下所述帖子和對應(yīng)的計(jì)算得到的消息是否為謠言的概率。

2.根據(jù)權(quán)利要求1所述的方法，其中，所述數(shù)據(jù)清洗包括：

先將每個(gè)序列的信息中的非中文的內(nèi)容去除后，再對每個(gè)序列的剩余信息進(jìn)行分詞和去除停用詞，得到每個(gè)序列對應(yīng)的詞序列；預(yù)設(shè)一個(gè)最大詞長度，計(jì)算每個(gè)詞序列中各個(gè)詞的TF-IDF值，若某個(gè)詞序列中的詞的個(gè)數(shù)超過所述最大詞長度，則在該詞序列中保留所述TF-IDF值高于預(yù)設(shè)閾值的詞，以得到保留后的詞序列。

3.根據(jù)權(quán)利要求2所述的方法，其中，所述進(jìn)行文本數(shù)值化處理，包括：

用word2vec訓(xùn)練的詞向量，將所述詞序列或保留后詞序列中的給個(gè)詞轉(zhuǎn)化為對應(yīng)的詞向量，按所述詞序列或保留后詞序列的詞的順序，將對應(yīng)的詞向量依次并列連接起來形成一個(gè)消息矩陣，其中，不足所述最大詞長度的詞序列或保留后詞序列，對應(yīng)的消息矩陣中用0向量填充。

4.根據(jù)權(quán)利要求1所述的方法，其中，記錄每次更新得到的GRU單元狀態(tài)，將每次更新得到的GRU單元狀態(tài)經(jīng)過全連接神經(jīng)網(wǎng)絡(luò)，并通過softmax輸出，以計(jì)算得到能判斷和不能判斷謠言的概率之后，還包括：

若不能判斷謠言的概率大于預(yù)設(shè)閾值，則等待向所述GRU單元輸入下一個(gè)消息矩陣，更新得到GRU單元狀態(tài)，并記錄每次更新得到的GRU單元狀態(tài)，將每次更新得到的GRU單元狀態(tài)經(jīng)過全連接神經(jīng)網(wǎng)絡(luò)，并通過softmax輸出，以重新計(jì)算得到能判斷和不能判斷謠言的概率，

直至計(jì)算得到當(dāng)前一個(gè)消息矩陣的輸入對應(yīng)的能判斷謠言的概率大于預(yù)設(shè)閾值，則結(jié)束等待，將最后一次更新的謠言GRU單元狀態(tài)發(fā)送給謠言判別模塊處理，

或者直至所述等待下一個(gè)消息矩陣的輸入的時(shí)間超過預(yù)設(shè)的最晚判斷時(shí)間，則結(jié)束等待，將最后一次更新的謠言GRU單元狀態(tài)發(fā)送給謠言判別模塊處理。

5.根據(jù)權(quán)利要求1所述的方法，其中，所述謠言判別決策模塊從所述數(shù)據(jù)處理模塊依次接收各個(gè)消息矩陣，并將每一個(gè)消息矩陣經(jīng)過卷積神經(jīng)網(wǎng)絡(luò)和max pooling單元，將一個(gè)消息矩陣轉(zhuǎn)換為一個(gè)對應(yīng)的矩陣向量之前，還包括：

采用帶有預(yù)先標(biāo)準(zhǔn)結(jié)果的謠言數(shù)據(jù)，首先訓(xùn)練所述謠言判別模塊，之后訓(xùn)練所述謠言判別決策模塊與訓(xùn)練所述謠言判別模塊交替進(jìn)行，其中，采用分類模型的訓(xùn)練方式訓(xùn)練所述謠言判別模塊，采用deep Q-Learning的訓(xùn)練方式訓(xùn)練所述謠言判別決策模塊。