[發明專利]融合用戶信息和文本信息的謠言檢測方法及裝置

在審

• 申請號: 202111544890.9
• 申請日: 2021-12-16
• 公開（公告）號: CN114329229A
• 公開（公告）日: 2022-04-12
• 發明（設計）人: 朱玉敏;董方敏;徐義春
• 申請（專利權）人: 三峽大學
• 主分類號: G06F16/9536
• 分類號: G06F16/9536;G06F40/289;G06F40/30;G06F16/35;G06N3/04;G06N3/08
• 代理公司: 北京路浩知識產權代理有限公司 11002
• 代理人: 吳剛

1.一種融合用戶信息和文本信息的謠言檢測方法，其特征在于，包括：

獲取待檢測事件的第一源文本信息和所述第一源文本信息對應的第一用戶信息；

將所述第一源文本信息和第一用戶信息輸入條件生成對抗網絡模型中，得到所述條件生成對抗網絡模型生成的所述待檢測事件的模擬響應數據；其中，所述條件生成對抗網絡模型根據樣本事件的第二源文本信息和第二用戶信息，以及真實響應數據進行訓練得到；所述真實響應數據包括對所述第二源文本信息進行轉發和評論的推文數據和所述推文數據對應的用戶信息；

將所述第一源文本信息、第一用戶信息和模擬響應數據輸入分類模型中，得到所述分類模型輸出的待檢測事件的謠言檢測結果；所述分類模型根據所述第二源文本信息、第二用戶信息和所述樣本事件的模擬響應數據，以及所述樣本事件的謠言檢測標簽進行訓練獲取。

2.根據權利要求1所述的融合用戶信息和文本信息的謠言檢測方法，其特征在于，所述分類模型基于循環神經網絡和分類模塊構建生成；

相應地，所述將所述第一源文本信息、第一用戶信息和模擬響應數據輸入分類模型中，得到所述分類模型輸出的待檢測事件的謠言檢測結果，包括：

將所述第一源文本信息、第一用戶信息和模擬響應數據進行拼接后，輸入所述循環神經網絡中，得到所述循環神經網絡輸出的所述待檢測事件的特征矩陣；

將所述特征矩陣輸入所述分類模塊，得到所述分類模塊輸出的所述待檢測事件的謠言檢測結果。

3.根據權利要求1所述的融合用戶信息和文本信息的謠言檢測方法，其特征在于，所述條件生成對抗網絡模型中的生成器基于循環神經網絡構建生成；

所述條件生成對抗網絡模型中的判別器基于卷積神經網絡構建生成。

4.根據權利要求1-3任一所述的融合用戶信息和文本信息的謠言檢測方法，其特征在于，所述將所述第一源文本信息和第一用戶信息輸入條件生成對抗網絡模型中之前，還包括：

將所述第二源文本信息和第二用戶信息的拼接結果作為條件輸入，將噪聲數據作為噪聲輸入，將所述樣本事件的真實響應數據作為真實訓練樣本，獲取所述條件生成對抗網絡模型的生成器和判別器的損失函數；

聯合所述生成器和判別器的損失函數，對所述條件生成對抗網絡模型進行對抗訓練。

5.根據權利要求1-3任一所述的融合用戶信息和文本信息的謠言檢測方法，其特征在于，所述將所述第一源文本信息和第一用戶信息輸入條件生成對抗網絡模型中，得到所述條件生成對抗網絡模型生成的所述待檢測事件的模擬響應數據，包括：

對所述第一源文本信息進行預處理；

其中，所述預處理包括分詞處理、去停用詞處理和分詞向量化處理；

將預處理后的第一源文本信息和第一用戶信息進行拼接，得到融合特征；

將所述融合特征輸入所述條件生成對抗網絡模型中，得到所述待檢測事件的模擬響應數據。

6.根據權利要求5所述的融合用戶信息和文本信息的謠言檢測方法，其特征在于，對所述第一源文本信息進行分詞向量化處理，包括：

基于word2vec模型、BERT模型或XLNet模型，對所述第一源文本信息進行分詞向量化處理。

7.根據權利要求1-3任一所述的融合用戶信息和文本信息的謠言檢測方法，其特征在于，所述第一用戶信息包括用戶的昵稱、信用信息、賬號認證狀態、賬號認證類型、粉絲數量、關注數量、個性簽名、發布事件的數量中的一種或多種的組合。