[發明專利]微博謠言檢測模型訓練方法、微博謠言檢測方法及裝置

在審

• 申請號: 202110069648.4
• 申請日: 2021-01-19
• 公開（公告）號: CN112749559A
• 公開（公告）日: 2021-05-04
• 發明（設計）人: 禹可;姚兆遠;吳曉非
• 申請（專利權）人: 北京郵電大學
• 主分類號: G06F40/289
• 分類號: G06F40/289;G06F16/35;G06F16/951;G06N3/04;G06N20/00
• 代理公司: 北京金咨知識產權代理有限公司 11612
• 代理人: 秦景芳

1.一種微博謠言檢測模型訓練方法，其特征在于，包括：

獲取微博平臺的非謠言數據集和謠言數據集；

獲取所述謠言數據集中謠言數據的發布意圖標注信息，并根據發布意圖標注信息對所述謠言數據集中的謠言數據進行分類，得到多個不同發布意圖類別的謠言數據集；

對謠言數據數量較小的發布意圖類別的謠言數據進行數據增強，以使各發布意圖類別的謠言數據數量均衡；

利用謠言數據數量均衡的所有發布意圖類別的謠言數據和所述非謠言數據集中的非謠言數據，對設定機器學習和/或神經網絡模型進行訓練，得到用于檢測非謠言數據和各發布意圖類別的謠言數據的微博謠言檢測模型。

2.如權利要求1所述的微博謠言檢測模型訓練方法，其特征在于，獲取微博平臺的非謠言數據集和謠言數據集，包括：

利用模擬瀏覽器爬蟲從微博平臺爬取微博數據，得到非謠言數據集；利用模擬瀏覽器爬蟲從微博不實信息公示平臺爬取微博數據，得到謠言數據集；或者，

從網絡上搜索已爬取好的包含謠言數據和/或非謠言數據的微博數據集，并根據該微博數據集得到微博平臺的非謠言數據集和謠言數據集。

3.如權利要求1所述的微博謠言檢測模型訓練方法，其特征在于，所述多個不同發布意圖類別包括：善意、惡意及無目的。

4.如權利要求3所述的微博謠言檢測模型訓練方法，其特征在于，

獲取微博平臺的非謠言數據集和謠言數據集，包括：

通過爬取得到微博平臺的非謠言數據集和謠言數據集；

謠言數據數量較小的發布意圖類別包括：善意和/或無目的。

5.如權利要求1所述的微博謠言檢測模型訓練方法，其特征在于，對謠言數據數量較小的發布意圖類別的謠言數據進行數據增強，以使各發布意圖類別的謠言數據數量均衡，包括：

利用EDA方法和/或包括至少一種中間語言的翻譯—回譯方法對謠言數據數量較小的發布意圖類別的謠言數據進行數據增強，以使各發布意圖類別的謠言數據數量達到設定均衡比例。

6.如權利要求1所述的微博謠言檢測模型訓練方法，其特征在于，利用謠言數據數量均衡的所有發布意圖類別的謠言數據和所述非謠言數據集中的非謠言數據，對設定機器學習和/或神經網絡模型進行訓練，得到用于檢測非謠言數據和各發布意圖類別的謠言數據的微博謠言檢測模型，包括：

利用謠言數據數量均衡的所有發布意圖類別的謠言數據和所述非謠言數據集中的非謠言數據，對多個設定機器學習和/或神經網絡模型進行訓練，并選取預測效果較好的訓練后的設定機器學習和/或神經網絡模型，得到用于檢測非謠言數據和各發布意圖類別的謠言數據的微博謠言檢測模型；

其中，所述多個設定機器學習和/或神經網絡模型包括樸素貝葉斯模型、決策樹模型、支持向量機模型、隨機森林模型、xgBoost模型、FastText模型、RNN模型、CNN模型、LSTM模型中的至少一個。

7.如權利要求1所述的微博謠言檢測模型訓練方法，其特征在于，

獲取微博平臺的非謠言數據集和謠言數據集，包括：

通過爬取得到微博平臺的非謠言數據集和謠言數據集；

獲取所述謠言數據集中謠言數據的發布意圖標注信息之前，所述方法，還包括：

對通過爬取得到微博平臺的非謠言數據集和謠言數據集進行清洗；

對通過爬取得到微博平臺的非謠言數據集和謠言數據集進行清洗，包括：

刪除非謠言數據集和謠言數據集中總字段長度不符合設定字段長度要求、設定機器學習和/或神經網絡模型無法識別的字符、及不能反映謠言特征的字段。

8.一種微博謠言檢測方法，其特征在于，包括：

獲取利用如權利要求1至7任一項所述的微博謠言檢測模型訓練方法得到微博謠言檢測模型；

利用所述微博謠言檢測模型檢測待檢測微博數據在非謠言數據和各發布意圖類別中所屬的類別。