谣言检测方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术提供一种谣言检测方法、装置、电子设备及存储介质，谣言检测方法包括：获取新闻数据，并基于所述新闻数据，得到事件时间组合序列的向量化文本；基于所述向量化文本，得到评论特征信息以及双向的上下文关联特征信息；其中，所述评论特征信息包含有评论局部关联特征和评论全局关联特征；将所述评论特征信息以及所述上下文关联特征信息进行合并后，输入至全连接层，得到谣言检测结果。本发明专利技术提供的谣言检测方法，可以解决现有技术中谣言检测准确率低的缺陷，以提高谣言检测的准确率。以提高谣言检测的准确率。以提高谣言检测的准确率。

【技术实现步骤摘要】
谣言检测方法、装置、电子设备及存储介质


[0001]本专利技术涉及人工智能
，尤其涉及一种谣言检测方法、装置、电子设备及存储介质。

技术介绍

[0002]谣言在传播过程中会充斥着各种不同特征的观点评论，而这些评论在谣言传播的初期与末期所表现的结构、内容、形式上都会有明显的区别，而且谣言与非谣言的评论在整个事件的传播过程中也有所不同。将这些评论与原文相关联后，使用深度学习的方法将谣言与非谣言关联文本从语义内容上进行特征提取与对照，并运用到事件真实性的判断过程中去，是对事件真实性的一种检测方法。而现有的谣言检测方法对谣言进行检测时，准确率较低。

技术实现思路

[0003]本专利技术提供一种谣言检测方法、装置、电子设备及存储介质，用以解决现有技术中谣言检测准确率低的缺陷，以提高谣言检测的准确率。
[0004]本专利技术提供一种谣言检测方法，包括：
[0005]获取新闻数据，并基于所述新闻数据，得到事件时间组合序列的向量化文本；
[0006]基于所述向量化文本，得到评论特征信息以及双向的上下文关联特征信息；其中，所述评论特征信息包含有评论局部关联特征和评论全局关联特征；
[0007]将所述评论特征信息以及所述上下文关联特征信息进行合并后，输入至全连接层，得到谣言检测结果。
[0008]根据本专利技术提供的谣言检测方法，所述基于所述向量化文本，得到评论特征信息以及双向的上下文关联特征信息，包括：
[0009]将所述向量化文本输入至评论特征提取模型，得到所述评论特征信息；
[0010]将所述向量化文本输入至上下文关联特征提取模型，得到所述上下文关联特征信息；
[0011]其中，所述评论特征提取模型为，以所述向量化文本为样本，以预设的向量化文本对应的评论特征信息为样本标签，训练得到的深度金字塔卷积神经网络模型；
[0012]所述上下文关联特征提取模型为，以所述向量化文本为样本，以预设的向量化文本对应的上下文关联特征信息为样本标签，训练得到的Bi
‑
LSTM网络模型，且所述Bi
‑
LSTM网络模型的输出接入attention层。
[0013]根据本专利技术提供的谣言检测方法，所述深度金字塔卷积神经网络模型，依次包括区域嵌入层、第一等长卷积层、顺序堆叠的多层循环网络层，以及第二池化层，所述循环网络层包括第一池化层和第二等长卷积层；
[0014]且所述第一池化层为1/2池化层，第二池化层为输出池化层，所述区域嵌入层的输出与所述第一等长卷积层的输出残差连接，所述第一池化层的输出与所述第二等长卷积层
的输出残差连接。
[0015]根据本专利技术提供的谣言检测方法，所述获取新闻数据，并基于所述新闻数据，得到事件时间组合序列的向量化文本，包括：
[0016]基于所述新闻数据，在社交媒体平台搜索所述新闻数据的关联内容作为样本数据；
[0017]对所述样本数据中的目标特征进行提取和标记，得到带标签文本；其中所述带标签文本含有文本内容和文本时间，以及转发评论的内容和时间；
[0018]基于所述文本时间和转发评论的时间，对所述带标签文本进行分组并组合，得到事件时间组合序列文本；
[0019]对所述事件时间组合序列文本进行分词和去除停用词操作，得到预训练文本；
[0020]将所述预训练文本输入至预训练模型，得到所述向量化文本；
[0021]其中，所述预训练模型为，以所述预训练文本为样本，以预设的预训练文本对应的向量化文本为样本标签，基于Transformer
‑
XL机制训练得到的模型。
[0022]根据本专利技术提供的谣言检测方法，所述基于所述新闻数据，在社交媒体平台搜索所述新闻数据的关联内容作为样本数据，包括：
[0023]提取所述新闻数据中的多个关键字信息，并基于所述多个关键字信息，得到组合关键词；
[0024]基于所述组合关键词，在所述社交媒体平台进行搜索，得到所述样本数据。
[0025]根据本专利技术提供的谣言检测方法，所述对所述样本数据中的目标特征进行提取和标记，得到带标签文本，包括：
[0026]将所述样本数据中的目标特征进行提取，并对提取的目标特征进行验证后标记，得到标记的目标特征；
[0027]将所述标记的目标特征中的特殊字符进行清除，得到所述带标签文本。
[0028]根据本专利技术提供的谣言检测方法，所述将所述评论特征信息以及所述上下文关联特征信息进行合并后，输入至全连接层，得到谣言检测结果，包括：
[0029]基于concat函数，对所述评论特征信息以及所述上下文关联特征信息进行合并，得到并联形式的双通道网络输出结果；
[0030]基于softmax函数对所述双通道网络输出结果进行分类，得到所述谣言检测结果。
[0031]本专利技术还提供一种谣言检测装置，包括：
[0032]数据处理模块，用于获取新闻数据，并基于所述新闻数据，得到事件时间组合序列的向量化文本；
[0033]特征提取模块，用于基于所述向量化文本，得到评论特征信息以及双向的上下文关联特征信息；其中，所述评论特征信息包含有评论局部关联特征和评论全局关联特征；
[0034]谣言检测模块，用于将所述评论特征信息以及所述上下文关联特征信息进行合并后，输入至全连接层，得到谣言检测结果。
[0035]本专利技术还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述谣言检测方法的步骤。
[0036]本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计
算机程序被处理器执行时实现如上述任一种所述谣言检测方法的步骤。
[0037]本专利技术提供的谣言检测方法、装置、电子设备及存储介质，先获取新闻数据，并基于新闻数据，得到事件时间组合序列的向量化文本，再基于向量化文本，得到评论特征信息以及双向的上下文关联特征信息，最后将评论特征信息以及上下文关联特征信息进行合并后，输入至全连接层，得到谣言检测结果。
[0038]使用事件时间组合序列能够清晰的表示社交网络事件信息随时间变化的传播过程，并且能够更准确的表示大众对事件发展的态度变化；将事件时间组合序列文本向量化，在体现双向的上下文语义，解决一词多意现象的同时更好的保留长文本的长期相关性特征。
[0039]而且，本专利技术提供的方法既能够捕捉评论局部特征，也可以保存评论全局相关的深度特征，还可以捕捉谣言文本(随时间发展过程中)正反两个方向与上下文关联的特征，并突出文本中的重要特征信息，防止由于池化、门控而造成的语义丢失，因此，综合评论局部关联特征、评论全局关联特征以及上下文关联特征信息，有助于提高谣言检测结果的准确性。
附图说明
[0040]为了更清楚地说明本专利技术或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种谣言检测方法，其特征在于，包括：获取新闻数据，并基于所述新闻数据，得到事件时间组合序列的向量化文本；基于所述向量化文本，得到评论特征信息以及双向的上下文关联特征信息；其中，所述评论特征信息包含有评论局部关联特征和评论全局关联特征；将所述评论特征信息以及所述上下文关联特征信息进行合并后，输入至全连接层，得到谣言检测结果。2.根据权利要求1所述的谣言检测方法，其特征在于，所述基于所述向量化文本，得到评论特征信息以及双向的上下文关联特征信息，包括：将所述向量化文本输入至评论特征提取模型，得到所述评论特征信息；将所述向量化文本输入至上下文关联特征提取模型，得到所述下文关联特征信息上下文关联特征信息；其中，所述评论特征提取模型为，以所述向量化文本为样本，以预设的向量化文本对应的评论特征信息为样本标签，训练得到的深度金字塔卷积神经网络模型；所述上下文关联特征提取模型为，以所述向量化文本为样本，以预设的向量化文本对应的下文关联特征信息上下文关联特征信息为样本标签，训练得到的Bi
‑
LSTM网络模型，且所述Bi
‑
LSTM网络模型的输出接入attention层。3.根据权利要求2所述的谣言检测方法，其特征在于，所述深度金字塔卷积神经网络模型，依次包括区域嵌入层、第一等长卷积层、顺序堆叠的多层循环网络层，以及第二池化层，所述循环网络层包括第一池化层和第二等长卷积层；且所述第一池化层为1/2池化层，第二池化层为输出池化层，所述区域嵌入层的输出与所述第一等长卷积层的输出残差连接，所述第一池化层的输出与所述第二等长卷积层的输出残差连接。4.根据权利要求1所述的谣言检测方法，其特征在于，所述获取新闻数据，并基于所述新闻数据，得到事件时间组合序列的向量化文本，包括：基于所述新闻数据，在社交媒体平台搜索所述新闻数据的关联内容作为样本数据；对所述样本数据中的目标特征进行提取和标记，得到带标签文本；其中所述带标签文本含有文本内容和文本时间，以及转发评论的内容和时间；基于所述文本时间和转发评论的时间，对所述带标签文本进行分组并组合，得到事件时间组合序列文本；对所述事件时间组合序列文本进行分词和去除停用词操作，得到预训练文本；将...

【专利技术属性】
技术研发人员：徐守志，向舜陟，董方敏，马凯，马圆圆，刘小迪，
申请(专利权)人：三峡大学，
类型：发明
国别省市：