[發(fā)明專利]一種基于雙向傳播圖的多任務謠言檢測方法

在審

• 申請?zhí)枺?/td>: 202110454550.0
• 申請日: 2021-04-26
• 公開（公告）號: CN113094596A
• 公開（公告）日: 2021-07-09
• 發(fā)明（設計）人: 楊鵬;匡晨;田楊靜;于曉潭
• 申請（專利權）人: 東南大學
• 主分類號: G06F16/9536
• 分類號: G06F16/9536;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京眾聯(lián)專利代理有限公司 32206
• 代理人: 杜靜靜

本發(fā)明公開了一種基于雙向傳播圖的多任務謠言檢測方法，該方法可用于社交網(wǎng)絡帖子的謠言檢測以及評論信息的立場檢測。本發(fā)明首先根據(jù)謠言帖子的內(nèi)容生成文本特征矩陣、用戶特征矩陣和文本統(tǒng)計特征矩陣，之后構建謠言的雙向傳播圖，通過計算雙向圖卷積并進行根節(jié)點特征增強抽取謠言的傳播特征，最后對傳播特征進行平均池化和特征整合后，訓練softmax分類器，獲取謠言檢測和立場檢測結果。本發(fā)明能夠有效地獲取謠言的順序傳播特征和廣度散布特征，并且引入用戶評論的立場檢測作為輔助任務，從而提高模型的泛化性，進一步提高謠言檢測任務的準確率。

技術領域

本發(fā)明涉及一種基于雙向傳播圖的多任務謠言檢測方法，該方法可用于社交網(wǎng)絡帖子的謠言檢測以及評論信息的立場檢測，屬于互聯(lián)網(wǎng)與自然語言處理技術領域。

背景技術

近年來，社交網(wǎng)絡取得了快速發(fā)展，并迅速成為人們獲取新聞資訊的重要途徑之一。由于社交網(wǎng)絡的信息量龐大且傳播速度遠超于傳統(tǒng)媒介，大量未經(jīng)證實的謠言得以在網(wǎng)絡空間內(nèi)肆意傳播，并成為了一種日益嚴重的問題。互聯(lián)網(wǎng)已經(jīng)成為了繼陸地、海洋、天空、太空后的“第五空間”，而利用社交網(wǎng)絡平臺散布謠言，借機實施網(wǎng)絡犯罪、散布暴恐信息、煽動顏色革命等違法犯罪行為已對網(wǎng)絡空間安全構成了嚴峻的威脅。

現(xiàn)有社交網(wǎng)絡謠言檢測方法主要包括人工謠言檢測方法、基于機器學習的謠言檢測方法和基于深度學習的謠言檢測方法。大多數(shù)主流社交網(wǎng)絡平臺仍將人工謠言檢測方法作為甄別疑似謠言信息的主流機制，雖然有著較高的判別準確性，但存在滯后性，且受人為因素的影響較大，因而無法滿足社交網(wǎng)絡謠言檢測的需求。基于機器學習的方法將謠言檢測工作歸結為二分類問題，使用監(jiān)督學習方法自動檢測謠言信息，對特征工程有著較高的要求，且無法獲取謠言在傳播和散布過程中的深層特征，故無法獲得較高的識別率。而許多基于深度學習的謠言檢測方法從謠言的時序傳播結構入手，通過抽取謠言在傳播過程中深層特征檢測疑似謠言信息，往往僅注重謠言的順序傳播特征而忽視了廣度散布特征，因此在謠言檢測任務中仍存在一定的精度損失。

針對目前社交網(wǎng)絡謠言對網(wǎng)絡空間安全所構成的嚴峻威脅和現(xiàn)有謠言檢測方法無法有效抽取謠言傳播特征的問題，本發(fā)明提出一種基于雙向傳播圖的多任務謠言檢測方法，使用一種改進的雙向圖卷積神經(jīng)網(wǎng)絡(Bi-GCN)抽取謠言的順序傳播特征和廣度散布特征，并引入對評論文本的立場檢測作為輔助任務，提升謠言檢測任務的表現(xiàn)與泛化性，從而提高謠言檢測的準確率。

發(fā)明內(nèi)容

針對現(xiàn)有技術存在的問題與不足，本發(fā)明提供一種基于雙向傳播圖的多任務謠言檢測方法，該方法能夠實時檢測疑似謠言信息以及評論文本的立場，相比現(xiàn)有方法，能夠更有效地獲取謠言的順序傳播特征和廣度散布特征，從而改善現(xiàn)有謠言檢測方法準確率不足的問題。

為了實現(xiàn)上述目的，本發(fā)明的技術方案如下：一種基于雙向傳播圖的多任務謠言檢測方法，該方法涵蓋社交網(wǎng)絡謠言檢測的全過程，主要包括特征提取、特征融合、評論立場類型分類和謠言類型分類等過程，能夠有效地抽取謠言的傳播特征，從而提高謠言檢測任務的準確率。該方法主要包括三個步驟，具體如下：

步驟1，構筑謠言和立場樣本數(shù)據(jù)集。首先使用Twitter15和Twitter16數(shù)據(jù)集中的用戶uid，通過推特開放API獲取用戶信息，用于謠言檢測的任務訓練，同時，將PHEME數(shù)據(jù)集用于用戶評論立場檢測任務的訓練，二者共同構成多任務模型的訓練數(shù)據(jù)集。

步驟2，多任務分類模型訓練。對于數(shù)據(jù)集中的每一個謠言帖子，首先使用TF-IDF算法抽取其文本特征，并生成用戶特征和文本統(tǒng)計特征，之后構建謠言的雙向傳播圖，接著將文本特征、用戶特征和文本統(tǒng)計特征作為輸入，通過計算雙向圖卷積并進行根節(jié)點特征增強抽取謠言的傳播特征，最后對傳播特征進行平均池化和特征整合后，訓練softmax分類器。

步驟3，對待檢測帖子進行分類預測。對于待檢測帖子，首先提取其文本特征、用戶特征和文本統(tǒng)計特征，接著構建該帖子的雙向傳播圖，通過計算雙向圖卷積并進行根節(jié)點特征增強抽取傳播特征，利用訓練好的softmax分類器獲得謠言檢測和立場檢測的結果。