【技术实现步骤摘要】
虚假信息检测方法、系统、计算机设备及可读存储介质
[0001]本专利技术实施例涉及数据处理
，尤其涉及一种虚假信息检测方法、系统、计算机设备及可读存储介质。
技术介绍
[0002]随着互联网与自媒体行业的迅速发展，人们每天都要接收与发出不计其数的信息，进入了信息爆炸的时代，这些信息无时无刻不在影响着人们的生活。然而正如人们在传统的口头交流中那样，互联网所传递的信息并不是完全真实与可信的。在铺天盖地的信息中总会包含那么一些虚假的、对人的认知、思想与行为产生误导的信息，这便是网络谣言，即虚假信息。
[0003]网络平台如推特、微信、微博和贴吧等充斥大量虚假信息，随之而来的是大量的转发和回复等等。目前虽然有识别是否虚假信息的算法，但不满足时效性要求，无法快速的识别出虚假信息。
技术实现思路
[0004]有鉴于此，本专利技术实施例的目的是提供一种虚假信息检测方法、系统、计算机设备及可读存储介质，用以解决虚假信息检测不够实时性的问题。
[0005]为实现上述目的，本专利技术实施例提供了一种虚假信息
【技术保护点】
【技术特征摘要】
1.一种虚假信息检测方法，其特征在于，包括：获取待检测数据，其中，所述待检测数据包括待检测源信息以及所述待检测源信息在当前时刻对应的待检测回复信息；对所述待检测数据进行向量化处理，得到所述待检测源信息对应的待检测源特征向量以及所述待检测回复信息对应的待检测回复特征向量；通过预先训练好的虚假信息分类模型中的编码层对所述待检测源特征向量以及所述待检测回复特征向量进行编码处理，得到所述待检测源信息对应的待检测源特征编码以及所述待检测回复信息对应的待检测回复特征编码；通过训练好的深度强化学习模型对所述待检测源特征编码以及待检测回复特征编码进行分类预判断，以判定是否需要对所述待检测数据进行分类处理；及若判定出需要对所述待检测数据进行分类处理，则通过所述虚假信息分类模型的分类层根据所述待检测源特征编码和所述待检测回复特征编码对所述待检测数据进行分类，得到所述待检测数据对应的第一分类结果。2.根据权利要求1所述的虚假信息检测方法，其特征在于，所述通过训练好的深度强化学习模型对所述待检测源特征编码以及待检测回复特征编码进行分类预判断，以判定是否需要对所述待检测数据进行分类处理之后，还包括：若判定出不需要对所述待检测数据进行分类处理，则返回执行所述获取待检测数据的步骤。3.根据权利要求1所述的虚假信息检测方法，其特征在于，所述对所述待检测数据进行向量化处理，得到所述待检测源信息对应的待检测源特征向量以及所述待检测回复信息对应的待检测回复特征向量包括：获取所述待检测源信息中的第一文本数据与第一图片数据；将所述第一文本数据通过第一向量化模型进行向量化处理，得到第一特征向量；并，将所述第一图片数据通过第二向量化模型进行向量化处理，得到第二特征向量；将所述第一特征向量与所述第二特征向量进行拼接，得到所述待检测源信息对应的待检测源特征向量；获取所述待检测回复信息中的第二文本数据与第二图片数据；将所述第二文本数据通过所述第一向量化模型进行向量化处理，得到第三特征向量；并，将所述第二图片数据通过所述第二向量化模型进行向量化处理，得到第四特征向量；及将所述第三特征向量与所述第四特征向量进行拼接，得到所述待检测回复信息对应的待检测回复特征向量。4.根据权利要求3所述的虚假信息检测方法，其特征在于，所述虚假信息分类模型为神经网络模型。5.根据权利要求1所述的虚假信息检测方法，其特征在于，所述深度强化学习模型的训练步骤包括：获取多个训练样本集，每一个训练样本集包括样本源信息的第一特征编码及所述样本源信息在不同的时间步值对应的样本回复信息的第二特征编码，其中，样本源信息对应的时间步值小于对应的样本回复信息的时间步值；将每一个训练样本集中的第一特征编码与各个第二特征编码按照时间步值大小依次
输入至预设的强化模型中，并通过所述强化模型判断是否停止将第二特征编码输入至所述强化模型中；若判定出停止将第二特征编码输入至所述强化模型中，则将最后时刻输入至所述强化模型中的第二特征编码输入至所述虚假信息分类模型中，以通过所述虚假信息分类模型输出每一个训练样本集的第二分类结果；判断所述第二分类结果与所述...
【专利技术属性】
技术研发人员：舒畅，陈又新，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。