网络信息检测方法、装置、存储介质和计算机设备制造方法及图纸

本申请涉及一种网络信息检测方法、装置、计算机可读存储介质和计算机设备，该方法通过初始化预测模型的参数，从训练集中获取带标记的网络信息的传播树结构以及传播树结构中各传播节点的发布内容和特征信息；基于传播树结构中各传播节点之间的层次关系，按照传播的时间序列生成与传播树结构对应的预测模型；将各传播节点的发布内容和特征信息输入预测模型对应的神经网络节点进行训练；若未达到训练结束条件，则根据检测结果与标记的误差在预测模型进行反向传播；直至达到训练结束条件，停止训练，得到训练好的预测模型的参数；利用训练好的预测模型的参数对网络信息进行预测。该方法基于机器学习，智能进行谣言检测。

【技术实现步骤摘要】
网络信息检测方法、装置、存储介质和计算机设备本申请是于2018年05月31日提交中国专利局，申请号为201810549608.8，专利技术名称为“网络信息检测方法、装置、存储介质和计算机设备”的分案申请，其全部内容通过引用结合在本申请中。
本申请涉及互联网
，特别是涉及一种网络信息检测方法、装置、计算机可读存储介质和计算机设备。
技术介绍
机器学习(MachineLearning,ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。随着互联网的快速发展，网络已成为人们发布信息和获取资讯的重要渠道。网络信息具有传播速度快，覆盖范围广等特点。当权威的信息在网络上被发布时，能够得到及时有效的响应和关注。而当谣言在网络被传播时，容易误导人们，给群众及乃至社会造成不同程度的影响。其中，谣言是指不真实的言论。为此，各社交网络越来越重视对网络信息的检测工作，以甄别出其中的谣言信息。传统地网络信息检测方法，都将谣言检测视为分类问题，即通过提取社交网络(例如微博/推文等)的文本内容、用户资料和消息传播等方面的特征，训练监督学习算法得到“谣言”分类器。而多数谣言的检测仅仅考虑发布内容在特定时刻下特征的统计数值，即谣言分类时考虑的特征单一、不全面，从而导致网络信息检测的结果准确率低。
技术实现思路
基于此，有必要针对网络信息检测准确率低的技术问题，提供一种网络信息检测方法、装置、计算机可读存储介质和计算机设备。一种网络信息检测方法，包括：获取网络信息的传播树结构以及各传播节点的特征信息；基于所述传播树结构中各传播节点之间的层次关系，按照传播的时间序列生成与所述传播树结构对应的预测模型；所述预测模型的各神经网络节点的层次关系与各传播节点之间的层次关系对应；将所述发布内容和所述特征信息输入所述预测模型对应的神经网络节点，根据预测模型的参数和所述预测模型得到所述网络信息的检测结果。一种网络信息检测装置，包括：获取模块，用于获取网络信息的传播树结构以及所述传播树结构中各传播节点的发布内容和特征信息；模型生成模块，用于基于所述传播树结构中各传播节点之间的层次关系，按照传播的时间序列生成与所述传播树结构对应的预测模型；所述预测模型的各神经网络节点的层次关系与各传播节点之间的层次关系对应；检测模块，用于将各传播节点的所述发布内容和所述特征信息输入所述预测模型对应的神经网络节点，根据预测模型的参数和所述预测模型得到所述网络信息的检测结果。一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行上述方法的步骤。一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行上述方法的步骤。上述的网络信息检测方法、装置、计算机可读存储介质和计算机设备，基于传播树结构中各传播节点之间的层次关系，生成与传播树结构对应的预测模型，预测模型的各神经网络节点的层次关系与各传播节点之间的层次关系对应。将传播节点的发布内容和各传播节点的特征信息输入预测模型对应的神经网络节点，通过预测模型得到网络信息的检测结果。由于预测模型的结构与网络信息的传播树结构对应，故而谣言预测时，能够基于谣言和非谣言传播结构的差异，从网络信息的传播树结构对发布内容是否为谣言进行预测，同时，谣言的检测考虑了各传播节点的发布内容和特征信息，能够获取各传播节点中有价值的信息，进一步提高了谣言检测所需的信息量，从而提高了谣言检测的准确率。附图说明图1为一个实施例中网络信息检测方法的应用环境图；图2为一个实施例中网络信息检测方法的流程示意图；图3为一个实施例中传播结构树的示意图；图4为一个实施例中谣言的传播示意图；图5为另一个实施例中非谣言的传播示意图；图6为另一个实施例中对图3所示的传播树结构处理得到的预测模型的结构示意图；图7为一个实施例中预测模型的神经网络单元的结构示意图；图8为一个实施例中训练预测模型参数的步骤的流程示意图；图9为一个实施例中网络信息检测方法的时序示意图；图10为一个实施例中网络信息检测装置的结构框图；图11为一个实施例中计算机设备的结构框图。具体实施方式为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。人工智能(ArtificialIntelligence,AI)，是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。机器学习专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。本申请实施例提供的方案涉及人工智能领域的机器学习，具体通过如下实施例进行说明：图1为一个实施例中网络信息检测方法的应用环境示意图。参照图1，该网络信息检测方法应用于网络信息检测系统。该网络信息检测系统包括多个用户终端110、网络应用服务器120和网络信息检测服务器130。其中，多个用户终端110与网络应用服务器120连接，网络应用服务器120与网络信息检测服务器130连接。其中一个用户利用用户终端110通过网络应用服务器120发布内容，该用户的跟随者转发或回复该发布内容，通过其它跟随者转发或回复的方式发布内容，信息源在社交网络进行传播，传播的路径可用传播树结构表示。网络信息检测服务器根据传播树结构对发布内容是否为谣言进行检测，并将检测结果发送至网络应用服务器120。网络应用服务器120将网络信息的检测结果发送至用户终端110，通过用户终端110显示网络信息的检测结果。用户终端本文档来自技高网...

【技术保护点】
1.一种网络信息检测方法，包括：/n初始化预测模型的参数；/n从训练集中获取带标记的网络信息的传播树结构以及所述传播树结构中各传播节点的发布内容和特征信息；/n基于所述传播树结构中各传播节点之间的层次关系，按照传播的时间序列生成与所述传播树结构对应的预测模型；所述预测模型的各神经网络节点的连接关系与各传播节点之间的层次关系对应；/n将各传播节点的所述发布内容和所述特征信息输入所述预测模型对应的神经网络节点，根据预测模型的参数和所述预测模型得到所述网络信息的检测结果；/n若未达到训练结束条件，则根据检测结果与标记的误差在所述预测模型进行反向传播，使当前神经网络节点的参数根据当前神经网络节点的所有的子神经网络节点的更新参数进行更新，得到所述预测模型的参数；/n返回所述从训练集中获取带标记的网络信息的传播树结构以及所述传播树结构中各传播节点的发布内容和特征信息的步骤，直至达到训练结束条件，得到训练好的预测模型的参数；/n利用训练好的预测模型的参数，对网络信息进行预测，得到网络信息的检测结果。/n

【技术特征摘要】
1.一种网络信息检测方法，包括：
初始化预测模型的参数；
从训练集中获取带标记的网络信息的传播树结构以及所述传播树结构中各传播节点的发布内容和特征信息；
基于所述传播树结构中各传播节点之间的层次关系，按照传播的时间序列生成与所述传播树结构对应的预测模型；所述预测模型的各神经网络节点的连接关系与各传播节点之间的层次关系对应；
将各传播节点的所述发布内容和所述特征信息输入所述预测模型对应的神经网络节点，根据预测模型的参数和所述预测模型得到所述网络信息的检测结果；
若未达到训练结束条件，则根据检测结果与标记的误差在所述预测模型进行反向传播，使当前神经网络节点的参数根据当前神经网络节点的所有的子神经网络节点的更新参数进行更新，得到所述预测模型的参数；
返回所述从训练集中获取带标记的网络信息的传播树结构以及所述传播树结构中各传播节点的发布内容和特征信息的步骤，直至达到训练结束条件，得到训练好的预测模型的参数；
利用训练好的预测模型的参数，对网络信息进行预测，得到网络信息的检测结果。


2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
将所述网络信息和所述检测结果关联；
当接受到终端的加载请求时，将所述网络信息和所述检测结果发送至所述终端。


3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
当接收到终端的加载请求时，将所述网络信息发送至所述终端；
获取终端发送的对所述网络信息的检测请求，所述检测请求在所述终端检测到用户操作显示界面上所述网络信息的检测按钮时发送；
所述方法还包括，将所述检测结果发送至所述终端。


4.根据权利要求1所述的方法，其特征在于，所述利用训练好的预测模型的参数，对网络信息进行预测，得到网络信息的检测结果，包括：
获取网络信息的传播树结构以及所述传播树结构中各传播节点的发布内容和特征信息；
基于所述传播树结构中各传播节点之间的层次关系，按照传播的时间序列生成与所述传播树结构对应的预测模型；所述预测模型的各神经网络节点的层次关系与各传播节点之间的层次关系对应；
将各传播节点的所述发布内容和所述特征信息输入所述预测模型对应的神经网络节点，根据预测模型的参数和所述预测模型得到所述网络信息的检测结果。


5.根据权利要求1或4所述的方法，其特征在于，所述基于所述传播树结构中各传播节点之间的层次关系，按照传播的时间序列生成与所述传播树结构对应的预测模型，包括：
创建所述预测模型的根神经网络节点；
从所述根神经网络节点开始，根据所述传播树结构中当前传播节点对应的子传播节点，按照传播的时间序列依次添加当前神经网络节点的所有子神经网络节点，直至所述传...

【专利技术属性】
技术研发人员：宋彦，张海松，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东;44