[發(fā)明專利]基于證據(jù)推斷網(wǎng)絡(luò)的虛假新聞可解釋性檢測系統(tǒng)及方法

有效

• 申請?zhí)枺?/td>: 202110045012.6
• 申請日: 2021-01-13
• 公開（公告）號: CN112988959B
• 公開（公告）日: 2023-07-14
• 發(fā)明（設(shè)計）人: 饒元;吳連偉;蘭玉乾;孫菱;鄭鵬怡
• 申請（專利權(quán)）人: 西安交通大學
• 主分類號: G06F16/33
• 分類號: G06F16/33;G06F40/211;G06F40/284;G06N3/0442;G06N3/08
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 朱海臨

1.基于證據(jù)推斷網(wǎng)絡(luò)的虛假新聞可解釋性檢測方法，其特征在于，包括以下步驟：

步驟1，輸入虛假新聞內(nèi)容序列、所有相關(guān)文章的拼接序列以及若干不同的單個相關(guān)文章序列，通過BiLSTM分別捕獲三者內(nèi)部的上下文隱層序列表示；

步驟2，使虛假新聞內(nèi)容序列與所有的相關(guān)文章特征進行交互，捕獲兩種類型的序列特征，聚焦虛假新聞內(nèi)容中用戶關(guān)心的核心序列片段，學習相關(guān)文章中所有用戶的整體觀點序列；具體的，通過交叉注意力單元以及兩個門控仿射吸收單元使每個虛假新聞內(nèi)容與所有相關(guān)文章互相交互，篩選出適應于各自的有價值特征；

所述交叉注意力單元中，使用自注意力網(wǎng)絡(luò)作為交叉注意力三元來顯式地捕獲序列中詞與詞之間的依賴特征并學習內(nèi)在結(jié)構(gòu)信息，確保兩個序列之間的深層交互，具體方法如下：

其中，H為自注意力網(wǎng)絡(luò)的結(jié)果，Q，K，V分別為查詢、鍵以及值矩陣；以及K＝V＝e_c，虛假新聞的編碼特征、所有相關(guān)文章的編碼特征以及每個相關(guān)文章的編碼特征分別表示為e_c、以及其中1≤j≤R；T為轉(zhuǎn)置操作，d_k是BiLSTM的隱藏層大小；

自注意力網(wǎng)絡(luò)為多頭注意力網(wǎng)絡(luò)，用于對Q，K，V進行m次的線性映射，然后并行地執(zhí)行點乘注意力；多頭注意力網(wǎng)絡(luò)head_i：

head_i＝Attention(QW_i^Q，KW_i^K，VW_i^V)?(2)

H_s＝MultiHead(Q，K，V)＝Concat(head₁，head₂，...，head_m)W^o?(3)

其中，以及都為可訓練的參數(shù)，d₁的尺度大小為2h/m以及H_s的大小為H_s是虛假新聞與所有相關(guān)文章的交互特征；

所述門控仿射吸收單元用于捕獲有利于各自序列的特征，以至于自適應地聚焦虛假新聞序列中顯著的序列片段特征，并聚焦相關(guān)文章序列中的用戶整體觀點序列；所述門控仿射吸收單元的結(jié)構(gòu)為：

t_c＝tanh(W_cH_c+b_c)?(4)

t_s＝tanh(W_sH_s+b_s)?(5)

α(e_c)＝W_αt_c+b_α?(6)

β(H_s)＝W_βt_s+b_β?(7)

γ(H_s)＝W_γt_s+b_γ?(8)

其中，t_c為基于新聞序列的變換結(jié)果，c為新聞序列，tanh為激活函數(shù)，t_s為基于相關(guān)文章序列的變換結(jié)果，s為所有相關(guān)文章拼接序列，H_c為基于新聞序列的隱藏層表示，H_s為基于相關(guān)文章序列的隱藏層表示，所有的W和b都為可學習的參數(shù)，⊙表示元素與元素之間的點乘操作；針對所有相關(guān)文章的門控G2與針對虛假新聞的門控G1的結(jié)構(gòu)是相同的，且與分別為門控G1和G2所對應的輸出特征，分別為虛假新聞中的核心序列片段以及所有相關(guān)文章中的整體觀點序列；

步驟3，將整體觀點序列與每個相關(guān)文章的序列進行互相交互，探索每個相關(guān)文章中細粒度的潛在的序列沖突；通過交叉注意力單元用于將整體觀點序列與局部單個相關(guān)文章語義充分交互與融合；交叉注意力網(wǎng)絡(luò)為：

其中，表示針對第i個相關(guān)文章捕獲的沖突語義；

步驟4，將核心序列片段與潛在的序列沖突進行一致性建模，匹配圍繞虛假新聞的核心序列片段的沖突，從而進行可解釋性虛假新聞的檢測。