基于深度图生成与图神经网络的事实验证的方法技术

本发明专利技术公开了一种基于深度图生成与图神经网络的事实验证的方法，包含：获取与论述文本c相关的证据集合E；根据论述文本c和证据集合E构建含语义次序的图节点序列π3；将图节点序列π3输入深度图生成模型DGMS生成含全局信息的稀疏语义图；将图节点序列π3和稀疏语义图输入图自注意力网络模型GSNM得到分类结果。本发明专利技术的基于深度图生成与图神经网络的事实验证的方法，采用的事实验证模型生成稀疏语义图以保留图拓扑结构信息并用于推理计算，令语义上无关的节点之间不存在直接信息交互的能力，提高了推理效果。提高了推理效果。提高了推理效果。

【技术实现步骤摘要】
基于深度图生成与图神经网络的事实验证的方法


[0001]本专利技术涉及一种基于深度图生成与图神经网络的事实验证的方法。

技术介绍

[0002]随着互联网的发展，社交媒体成为人们日常生活的重要交流手段之一。然而，大量谣言和不实信息在社交媒体上的迅速传播对社会造成了不可忽视的危害与经济损失。
[0003]目前各大社交媒体依赖人工事实验证(fact verification)的方式应对谣言，这不仅需要大量的人力和时间，也不能高效快速地应对大量谣言。近年来，社交媒体上的谣言大多由借助人工智能技术的机器人账户所发布，此类谣言迷惑性高且数量庞大，这是人工事实验证方法无法解决的。
[0004]迅速发展的深度学习技术也正被逐渐应用于事实验证任务中用于识别社交媒体上言论是否为谣言。通常将社交网络上的言论视为待验证的论述(claim)，该任务旨在围绕待验证论述检索得到与其相关的若干个文档(documents)并进一步筛选得到若干个证据句子(evidence)，结合上述所有文本信息进行联合推理从而验证给定论述的真实性。但是现有技术数据建模方法不合理，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度图生成与图神经网络的事实验证的方法，其特征在于，包含以下步骤：获取与论述文本c相关的证据集合E；根据所述论述文本c和所述证据集合E构建含语义次序的图节点序列π3；将所述图节点序列π3输入深度图生成模型DGMS生成含全局信息的稀疏语义图；将所述图节点序列π3和所述稀疏语义图输入图自注意力网络模型GSNM得到分类结果。2.根据权利要求1所述的基于深度图生成与图神经网络的事实验证的方法，其特征在于，所述根据所述论述文本c和所述证据集合E构建含语义次序的图节点序列π3的具体方法为：根据所述论述文本c和所述证据集合E构建一个文本序列π1；将所述文本序列π1转换成嵌入序列π2；根据所述文本序列π1的语义次序与所述嵌入序列π2的对应关系构建含语义次序的所述图节点序列π3。3.根据权利要求2所述的基于深度图生成与图神经网络的事实验证的方法，其特征在于，所述根据所述论述文本c和所述证据集合E构建一个文本序列π1的具体方法为：将所述论述文本c的文本内容放置于所述文本序列π1的首部；每个所述证据集合E包含若干证据句子e
i
，对所述证据集合E中的每个所述证据句子e
i
进行排名；根据排名顺序分别将每个所述证据句子e
i
的文本内容依次插入所述文本序列π1，以得到具有语义次序的所述文本序列π1。4.根据权利要求3所述的基于深度图生成与图神经网络的事实验证的方法，其特征在于，所述将所述文本序列π1转换成嵌入序列π2的具体方法为：对所述文本序列π1进行预处理；将预处理后的所述文本序列π1输入预训练的语言模型BIGBIRD中得到所述嵌入序列π2。5.根据权利要求4所述的基于深度图生成与图神经网络的事实验证的方法，其特征在于，所述对所述文本序列π1进行预处理的具体方法为：将所述文本序列π1的中的句子之间插入SEP标识符，再通过pad标识符进行填充，以将所述文本序列π1处理成符合所述预训练模型BIGBIRD输入的形式。6.根据权利要求5所述的基于深度图生成与图神经网络的事实验证的方法，其特征在于，所述根据所述文本序列π1的语义次序与所述嵌入序列π2的对应关系构建含语义次序的所述图节点序列π3的具体方法为：通过语义角色标注工具SLR将所述文本序...

【专利技术属性】
技术研发人员：袁成武，王爵扬，王雪岭，李淑真，徐莼，冯星宇，
申请(专利权)人：浙江工商大学，
类型：发明
国别省市：