[發(fā)明專利]基于混合神經(jīng)網(wǎng)絡(luò)的社交網(wǎng)絡(luò)謠言識別方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 201810208801.5
• 申請日: 2018-03-14
• 公開（公告）號: CN108563686B
• 公開（公告）日: 2021-07-30
• 發(fā)明（設(shè)計）人: 孔慶超;王慧;徐楠;陳觀淡;毛文吉;汪立東;付戈;劉春陽;王萌
• 申請（專利權(quán)）人: 中國科學(xué)院自動化研究所;國家計算機網(wǎng)絡(luò)與信息安全管理中心
• 主分類號: G06F16/35
• 分類號: G06F16/35;G06F40/289;G06N3/04;G06N3/08
• 代理公司: 北京瀚仁知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11482
• 代理人: 郭文浩;陳曉鵬

1.一種基于混合神經(jīng)網(wǎng)絡(luò)的社交網(wǎng)絡(luò)謠言識別方法，其特征在于，所述方法包括步驟S1-步驟S5：

步驟S1：獲取待識別謠言的發(fā)布者信息、原文和傳播信息；其中，所述傳播信息包括所述待識別謠言在傳播過程中的轉(zhuǎn)發(fā)/評論信息和流行度特征；

步驟S2：基于預(yù)設(shè)的第一感知器，并根據(jù)所述待識別謠言的發(fā)布者信息，獲取用戶特征向量；

步驟S3：基于預(yù)設(shè)的第一神經(jīng)網(wǎng)絡(luò)模型，并根據(jù)所述待識別謠言的原文，獲取原文特征向量；其中，所述預(yù)設(shè)的第一神經(jīng)網(wǎng)絡(luò)模型由雙向LSTM模型和注意力模型合成；

步驟S4：基于預(yù)設(shè)的第二神經(jīng)網(wǎng)絡(luò)模型，并根據(jù)所述待識別謠言的傳播信息，獲取傳播信息特征向量，具體包括：

利用動態(tài)時間序列劃分方法，將所述待識別謠言的傳播過程等分為多個時間片段；獲取時間片段集；其中，所述時間片段集為最長的連續(xù)時間片段集合，且所述時間片段集內(nèi)每個時間片段均至少包含一個轉(zhuǎn)發(fā)/評論信息；獲取所述時間片段集內(nèi)每個時間片段的詞頻-逆文檔頻率，形成傳播文本序列，以能夠根據(jù)所述傳播文本序列獲取隱含層輸出的文本序列；獲取所述時間片段集內(nèi)每個時間片段的流行度特征，以能夠根據(jù)所獲取的流行度特征獲取所述傳播信息特征向量；利用所述預(yù)設(shè)的第二神經(jīng)網(wǎng)絡(luò)模型中的雙向LSTM模型，并根據(jù)所述傳播文本序列，獲取隱含層輸出的文本序列；利用所述預(yù)設(shè)的第二神經(jīng)網(wǎng)絡(luò)模型中的注意力模型，并根據(jù)所述轉(zhuǎn)發(fā)/評論信息的上下文文本序列和所述流行度特征，計算所獲取文本序列的注意力權(quán)重，進而對所述注意力權(quán)重進行加權(quán)求和得到所述傳播信息特征向量；其中，所述預(yù)設(shè)的第二神經(jīng)網(wǎng)絡(luò)模型由雙向LSTM模型和注意力模型合成；

步驟S5：基于預(yù)設(shè)的第二感知器，并根據(jù)所述用戶特征向量、原文特征向量和傳播信息特征向量，對所述待識別謠言進行識別；

其中，所述流行度特征包括社會關(guān)系特征和活躍度特征；

所述社會關(guān)系特征包括所述時間片段集的每個時間片段內(nèi)所有用戶的平均關(guān)注賬戶數(shù)量和平均被關(guān)注賬戶數(shù)量；所述活躍度特征包括所述時間片段集的每個時間片段內(nèi)所有發(fā)布信息的平均轉(zhuǎn)發(fā)數(shù)量、平均喜歡數(shù)量和平均轉(zhuǎn)發(fā)數(shù)量。

2.根據(jù)權(quán)利要求1所述的基于混合神經(jīng)網(wǎng)絡(luò)的社交網(wǎng)絡(luò)謠言識別方法，其特征在于，“基于預(yù)設(shè)的第一感知器，并根據(jù)所述待識別謠言的發(fā)布者信息，獲取用戶特征向量”的步驟具體包括：

根據(jù)所述待識別謠言的發(fā)布者信息，獲取發(fā)布者基本特征和發(fā)布者社會影響力特征；

利用所述預(yù)設(shè)的第一感知器，對所述發(fā)布者基本特征和發(fā)布者社會影響力特征進行處理，得到所述用戶特征向量；

其中，所述發(fā)布者基本特征包括賬戶認證信息、發(fā)布者簡介、發(fā)布者性別、發(fā)布者位置信息、賬戶注冊時長和日均信息發(fā)布量；所述發(fā)布者社會影響力特征包括被關(guān)注賬戶數(shù)量、關(guān)注賬戶數(shù)量、互相關(guān)注賬戶數(shù)量、所述關(guān)注賬戶數(shù)量與被關(guān)注賬戶數(shù)量的比率，所述被關(guān)注賬戶中互相關(guān)注賬戶所占的比率，所述關(guān)注賬戶中互相關(guān)注賬戶所占的比率。

3.根據(jù)權(quán)利要求1所述的基于混合神經(jīng)網(wǎng)絡(luò)的社交網(wǎng)絡(luò)謠言識別方法，其特征在于，“基于預(yù)設(shè)的第一神經(jīng)網(wǎng)絡(luò)模型，并根據(jù)所述待識別謠言的原文，獲取原文特征向量”的步驟具體包括：

利用所述預(yù)設(shè)的第一神經(jīng)網(wǎng)絡(luò)模型中的雙向LSTM模型，并根據(jù)所述待識別謠言的原文，獲取隱含層輸出的文本序列；

利用所述預(yù)設(shè)的第一神經(jīng)網(wǎng)絡(luò)模型中的注意力模型，并根據(jù)所述原文的上下文文本序列，計算所獲取文本序列的注意力權(quán)重，進而對所述注意力權(quán)重進行加權(quán)求和得到所述原文特征向量。

4.根據(jù)權(quán)利要求1所述的基于混合神經(jīng)網(wǎng)絡(luò)的社交網(wǎng)絡(luò)謠言識別方法，其特征在于，“基于預(yù)設(shè)的第二感知器，并根據(jù)所述用戶特征向量、原文特征向量和傳播信息特征向量，對所述待識別謠言進行識別”的步驟具體包括：

按照下式所示的方法，將所述用戶特征向量、原文特征向量和傳播信息特征向量拼接為一個新的特征向量v：

v＝[v_p,v_r,v_u]

利用所述預(yù)設(shè)的第二感知器，并根據(jù)所述特征向量v，獲取謠言識別結(jié)果；

其中，v_p、v_r和v_u分別為用戶特征向量、原文特征向量和傳播信息特征向量。