【技术实现步骤摘要】
闻文字元素和新闻图像元素；
[0018]文本特征预处理模块，用于对所述新闻文字元素进行预处理，其中预处理包括： 特殊符号剔除处理、分词处理、停用词剔除处理、词嵌入编码处理；
[0019]文本特征提取模块，用于对预处理后的新闻文字元素，采用Bi
‑
LSTM神经网络 模型进行文本特征提取，得到分词文本向量；
[0020]视觉特征提取模块，用于对所述新闻图像元素，采用VGG
‑
19神经网络模型进行 视觉特征提取，得到分层视觉向量；
[0021]视觉特征后处理模块，用于对所述分层视觉向量进行后处理，其中后处理包括： 降维处理和对齐处理；
[0022]视觉融合文本模块，用于以分词文本向量为目标，以分层视觉向量与分词文本向 量之间的相关性为权重系数，利用点积型注意力机制得到修正文本特征；
[0023]文本融合视觉模块，用于以分层视觉向量为目标，以分词文本向量与分层视觉向 量之间的相关性为权重系数，利用点积型注意力机制得到修正视觉特征；
[0024]文本自融合模块，用于对不同时刻的修正文本...
【技术保护点】
【技术特征摘要】
1.一种社交网络虚假新闻检测方法，其特征在于，包括：获得社交网络新闻数据，所述社交网络新闻数据包含新闻文字元素和新闻图像元素；对所述新闻文字元素进行预处理，其中预处理包括：特殊符号剔除处理、分词处理、停用词剔除处理、词嵌入编码处理；对预处理后的新闻文字元素，采用Bi
‑
LSTM神经网络模型进行文本特征提取，得到分词文本向量；对所述新闻图像元素，采用VGG
‑
19神经网络模型进行视觉特征提取，得到分层视觉向量；对所述分层视觉向量进行后处理，其中后处理包括：降维处理和对齐处理；以分词文本向量为目标，以分层视觉向量与分词文本向量之间的相关性为权重系数，利用点积型注意力机制得到修正文本特征；以分层视觉向量为目标，以分词文本向量与分层视觉向量之间的相关性为权重系数，利用点积型注意力机制得到修正视觉特征；对不同时刻的修正文本特征进行时间层面自注意力融合，得到终极文本特征；对不同位置的修正视觉特征进行空间层面自注意力融合，得到终极视觉特征；将终极文本特征和终极视觉特征进行拼接后，输入带有softmax全连接层的神经网络模型，进行社交网络虚假新闻检测。2.如权利要求1所述的社交网络虚假新闻检测方法，其特征在于，按如下方式对新闻文字元素进行词嵌入编码处理：对新闻文字元素进行特殊符号剔除处理、分词处理和停用词剔除处理后，根据预先建立的词向量映射表进行词嵌入编码处理。3.如权利要求1所述的社交网络虚假新闻检测方法，其特征在于，按如下公式利用点积型注意力机制得到修正文本特征：其中，Q'1为修正文本特征，Q1为分词文本向量，K1和V1为分层视觉向量，d
k
为缩放因子，t为转置变换。4.如权利要求1所述的社交网络虚假新闻检测方法，其特征在于，按如下公式利用点积型注意力机制得到修正视觉特征：其中，Q'2为修正视觉特征，Q2为分层视觉向量，K2和V2为分词文本向量，d
k
为缩放因子，t为转置变换。5.一种社交网络虚假新闻检测装置，其特征在于，包括：新闻数据获得模块，用于获得社交网络新闻数据，所述社交网络新闻数据包含新闻文字元素和新闻图像元素；文本特征预处理模块，用于对所述新闻文字元素进行预处理，其中预处理包括：特殊符号剔除处理、分词处理、停用词剔除处理...
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。