[發(fā)明專利]基于圖神經(jīng)網(wǎng)絡(luò)特征聚合的謠言檢測方法及裝置

有效

• 申請?zhí)枺?/td>: 202110402464.5
• 申請日: 2021-04-14
• 公開（公告）號: CN113139052B
• 公開（公告）日: 2022-04-19
• 發(fā)明（設(shè)計）人: 馬凱;劉小迪;徐守志;馬圓圓;向舜陟
• 申請（專利權(quán)）人: 三峽大學(xué)
• 主分類號: G06F16/35
• 分類號: G06F16/35;G06F40/289;G06F40/30;G06N3/04
• 代理公司: 北京路浩知識產(chǎn)權(quán)代理有限公司 11002
• 代理人: 楊云云

本發(fā)明提供一種基于圖神經(jīng)網(wǎng)絡(luò)特征聚合的謠言檢測方法及裝置，方法包括：獲取第一事件源文本圖；將第一事件源文本圖和訓(xùn)練標(biāo)簽輸入至預(yù)設(shè)第一圖神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，以確定圖神經(jīng)網(wǎng)絡(luò)預(yù)測模型；將待檢測的第一事件源文本圖輸入至圖神經(jīng)網(wǎng)絡(luò)預(yù)測模型，以對互聯(lián)網(wǎng)中的事件源文本及響應(yīng)推文進(jìn)行謠言檢測。所述裝置用于執(zhí)行上述方法。本發(fā)明提供的基于圖神經(jīng)網(wǎng)絡(luò)特征聚合的謠言檢測方法，使用得到的圖神經(jīng)網(wǎng)絡(luò)預(yù)測模型對互聯(lián)網(wǎng)的事件源文本及響應(yīng)推文進(jìn)行檢測，能夠保留社交媒體中的信息傳播結(jié)構(gòu)，更好地將事件的響應(yīng)推文特征與事件源推文特征相融合，從文本級粒度和詞語級粒度進(jìn)行謠言判別。

技術(shù)領(lǐng)域

本發(fā)明涉及大數(shù)據(jù)挖掘技術(shù)領(lǐng)域，尤其涉及一種基于圖神經(jīng)網(wǎng)絡(luò)特征聚合的謠言檢測方法及裝置。

背景技術(shù)

謠言指沒有相應(yīng)事實基礎(chǔ)，卻被捏造出來并通過一定手段推動傳播的言論。社交媒體上的謠言具有碎片化、網(wǎng)絡(luò)化、范圍廣、速度快的特點(diǎn)。謠言檢測技術(shù)和方法通過對現(xiàn)有計算機(jī)相關(guān)知識和技能的運(yùn)用，在網(wǎng)絡(luò)社交平臺上對謠言進(jìn)行識別。

現(xiàn)有謠言檢測技術(shù)存在如下問題：1)現(xiàn)有的謠言檢測研究無法較好地捕捉到文本中上下文及前后詞的關(guān)系；2)謠言檢測研究使用頻率較高的文本向量化方法word2vec和GloVe無法將一詞多義現(xiàn)象和上下文語境在詞向量中體現(xiàn)出來；3)現(xiàn)有的基于圖的研究傾向于從單一粒度入手對謠言文本或謠言傳播結(jié)構(gòu)進(jìn)行謠言檢測。

發(fā)明內(nèi)容

本發(fā)明提供的基于圖神經(jīng)網(wǎng)絡(luò)特征聚合的謠言檢測方法，用于克服現(xiàn)有技術(shù)中存在的至少一個問題，使用得到的圖神經(jīng)網(wǎng)絡(luò)預(yù)測模型對互聯(lián)網(wǎng)的事件源文本及響應(yīng)推文進(jìn)行檢測，能夠保留社交媒體中的信息傳播結(jié)構(gòu)，更好地將事件的響應(yīng)推文特征與事件源推文特征相融合，從文本級粒度和詞語級粒度進(jìn)行謠言判別。本發(fā)明提供一種基于圖神經(jīng)網(wǎng)絡(luò)特征聚合的謠言檢測方法，包括：

獲取第一事件源文本圖；

將所述第一事件源文本圖和訓(xùn)練標(biāo)簽輸入至預(yù)設(shè)第一圖神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，以確定圖神經(jīng)網(wǎng)絡(luò)預(yù)測模型；

將待檢測的第一事件源文本圖輸入至所述圖神經(jīng)網(wǎng)絡(luò)預(yù)測模型，以對互聯(lián)網(wǎng)中的事件源文本及響應(yīng)推文進(jìn)行謠言檢測；

其中，事件源文本圖是通過將所述事件源文本進(jìn)行圖結(jié)構(gòu)建模得到的；

所述訓(xùn)練標(biāo)簽是通過采用預(yù)設(shè)編碼方式對所述事件源文本和所述響應(yīng)推文進(jìn)行標(biāo)注后得到的。

根據(jù)本發(fā)明提供的一種基于圖神經(jīng)網(wǎng)絡(luò)特征聚合的謠言檢測方法，所述獲取第一事件源文本圖，包括

對事件源推文預(yù)處理，并對預(yù)處理后的事件源推文進(jìn)行圖結(jié)構(gòu)建模，以獲取第二事件源推文圖；

將所述第二事件源推文圖輸入至訓(xùn)練好的第二圖神經(jīng)網(wǎng)絡(luò)模型，以獲取事件源推文的文本級特征向量；

根據(jù)事件源文本的詞向量和所述文本級特征向量，獲取所述第一事件源文本圖；

其中，所述事件源推文包括所述事件源文本和所述響應(yīng)推文。

根據(jù)本發(fā)明提供的一種基于圖神經(jīng)網(wǎng)絡(luò)特征聚合的謠言檢測方法，所述對事件源推文預(yù)處理，包括：

去除所述事件源文本中的亂碼數(shù)據(jù)和空行數(shù)據(jù)；以及

去除所述事件源的響應(yīng)推文的冗余項；

其中，所述冗余項包括轉(zhuǎn)發(fā)但未評論的事件源的響應(yīng)推文、亂碼數(shù)據(jù)和空行數(shù)據(jù)。

根據(jù)本發(fā)明提供的一種基于圖神經(jīng)網(wǎng)絡(luò)特征聚合的謠言檢測方法，所述事件源文本的詞向量通過如下方式獲取：

去除所述事件源文本中的亂碼數(shù)據(jù)和空行數(shù)據(jù)，獲取滿足預(yù)設(shè)條件的事件源文本；