[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(jì)）人: 饒?jiān)?/a>;吳連偉;蘭玉乾;孫菱;鄭鵬怡
• 申請（專利權(quán)）人: 西安交通大學(xué)
• 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(zé)任公司 61200
• 代理人: 朱海臨

本發(fā)明公開了一種基于證據(jù)推斷網(wǎng)絡(luò)的虛假新聞可解釋性檢測系統(tǒng)及方法，包括：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；使虛假新聞內(nèi)容序列與所有的相關(guān)文章特征進(jìn)行交互，捕獲兩種類型的序列特征；將整體觀點(diǎn)序列與每個相關(guān)文章的序列進(jìn)行互相交互，探索每個相關(guān)文章中細(xì)粒度的潛在的序列沖突；將核心序列片段與潛在的序列沖突進(jìn)行一致性建模，脾胃圍繞虛假新聞的核心序列片段的沖突，進(jìn)行可解釋性虛假新聞的檢測。本發(fā)明細(xì)粒度地聚焦待檢測新聞的虛假核心語義片段，從相關(guān)文章中探索可解釋的證據(jù)，從而提升虛假新聞檢測的可解釋性。不僅提高了假新聞檢測性能，還提供了有效的證據(jù)實(shí)現(xiàn)檢測結(jié)果的可解釋性。

技術(shù)領(lǐng)域

本發(fā)明涉及一種基于證據(jù)推斷網(wǎng)絡(luò)的虛假新聞可解釋性檢測系統(tǒng)及方法。

背景技術(shù)

研究顯示，盡管虛假新聞的占比只相當(dāng)于所有媒體新聞總消費(fèi)的1％，但在?社交媒體中虛假新聞的與所有推文新聞的比值高達(dá)6％。因此，對社交媒體上的?虛假新聞進(jìn)行準(zhǔn)確高效地檢測，阻止他們的傳播與擴(kuò)散，并尋找到相關(guān)的證據(jù)對?他們進(jìn)行辟謠，是當(dāng)前社交媒體分析領(lǐng)域一項(xiàng)非常關(guān)鍵的任務(wù)。

虛假新聞檢測是當(dāng)今工業(yè)界和學(xué)術(shù)界面臨的一項(xiàng)艱巨而富有挑戰(zhàn)性的任務(wù)。?以前的研究致力于圍繞待檢測新聞的文本內(nèi)容以及其相關(guān)的元數(shù)據(jù)特征來抽取?各種豐富的語言語義特征以及人工提取的特征，其已經(jīng)實(shí)現(xiàn)了比較出色的性能。?但是，這些方法存在著普遍的缺陷，即很難對虛假新聞的檢測結(jié)果提供有效的解?釋，通俗的講，也就是為什么將一個新聞檢測為假，其究竟哪里出錯了？對于這?個問題，當(dāng)前的研究開始聚焦于可解釋性的虛假新聞檢測，其通過構(gòu)建虛假新聞?及其相關(guān)文章之間的交互，并尋求他們之間的沖突或質(zhì)疑語義來作為證據(jù)，并解?釋相應(yīng)的檢測結(jié)果。當(dāng)前探索構(gòu)建一個交互模型來解決可解釋性虛假新聞檢測任?務(wù)是一個比較合理的思路，主要原因在于：不同的相關(guān)文章，作為不同用戶對具?體新聞的意見，即使有時無法具體地揭示出為什么這個新聞是虛假的，但往往容?易對虛假新聞的錯誤部分提出質(zhì)疑，這些相關(guān)文章類似于“眾包”辟謠。然而，?這些方法通常忽略了這樣一個事實(shí)，也就是捕獲的沖突語義并不都是圍繞虛假新?聞的虛假部分而展開的，也包含了對一些新聞的非虛假的部分的質(zhì)疑語義，這就?使得通過很多沖突或質(zhì)疑語義作為證據(jù)來解釋虛假新聞的檢測結(jié)果是不夠細(xì)粒?度的。因此，如何捕獲虛假新聞與相關(guān)文章之間的沖突語義從而聚焦虛假新聞中?細(xì)粒度的核心虛假部分，這也是虛假新聞可解釋性研究的核心問題。

發(fā)明內(nèi)容

本發(fā)明的目的在于解決現(xiàn)有技術(shù)中的問題，提供一種基于證據(jù)推斷網(wǎng)絡(luò)的虛?假新聞可解釋性檢測系統(tǒng)及方法，

為達(dá)到上述目的，本發(fā)明采用以下技術(shù)方案予以實(shí)現(xiàn)：

基于證據(jù)推斷網(wǎng)絡(luò)的虛假新聞可解釋性檢測方法，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(jìn)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(xué)習(xí)相關(guān)文章中?所有用戶的整體觀點(diǎn)序列；

步驟3，將整體觀點(diǎn)序列與每個相關(guān)文章的序列進(jìn)行互相交互，探索每個相?關(guān)文章中細(xì)粒度的潛在的序列沖突；

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

本發(fā)明進(jìn)一步的改進(jìn)在于：

所述步驟1的具體方法如下：

BiLSTM模型對輸入虛假新聞內(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)文章序列進(jìn)行編碼，并采用最后一個步驟的隱藏層向量e_i作為每?個序列的上下文表示；