基于单层分离的虚假媒体识别的方法和系统技术方案

本发明专利技术提供一种基于单层分离的虚假媒体识别的方法和系统，通过将获取的网络多媒体数据流进行维度转换，并使用带有注意力机制的双向门控循环单元模型和分层注意力网络模型对数据流进行收敛，根据张量计算结果进行单层分离，挖掘出正反面态度，再经过语义分析得到词分量，根据词分量断点的值的变化进行二次采样，可以分离其中维度发生跳跃的特征，从而更快检测多媒体数据是否合规，实现识别虚假信息的目的。的目的。的目的。

【技术实现步骤摘要】
基于单层分离的虚假媒体识别的方法和系统


[0001]本申请涉及网络多媒体领域，尤其涉及一种基于单层分离的虚假媒体识别的方法和系统。

技术介绍

[0002]现有网络媒体中存在大量词汇，为了能够跟上网络词汇的发展，需要不断地训练系统，以及为了方便系统调用相应的词向量，还必须将每个词汇和训练好的词向量逐个对应，这个过程会耗费大量的资源。甚至评论文本中同一句评论可能表达的意思是相反的。
[0003]因此，急需一种针对性的基于单层分离的虚假媒体识别的方法和系统。

技术实现思路

[0004]本专利技术的目的在于提供一种基于单层分离的虚假媒体识别的方法和系统，通过将获取的网络多媒体数据流进行维度转换，并使用带有注意力机制的双向门控循环单元模型和分层注意力网络模型对数据流进行收敛，根据张量计算结果进行单层分离，挖掘出正反面态度，再经过语义分析得到词分量，根据词分量断点的值的变化进行二次采样，可以分离其中维度发生跳跃的特征，从而更快检测多媒体数据是否合规，实现识别虚假信息的目的。
[0005]第一方面，本申请提供一种基于单层分离的虚假媒体识别的方法，所述方法包括：
[0006]服务器获取网络多媒体数据流，将所述网络多媒体数据流进行采样，向量化采样结果，并进行维度转换，将接收的P*Q维度的多媒体信号转换为M*N维度的多媒体信号，其中P*Q是信号传输通道的维度，M*N是服务器负载处理的维度，P、Q、M、N均为非零正整数；
[0007]将所述维度转换后的多媒体信号根据用户标识重组为第一数据流，输入到带有注意力机制的双向门控循环单元模型和分层注意力网络模型，所述双向门控循环单元模型和分层注意力网络模型分别对第一数据流进行收敛，待收敛后完成各自的张量计算，提取注意力层的输出向量进行拼接，得到第一中间结果；
[0008]再次使用分层注意力网络模型识别所述第一中间结果，挖掘出第一数据流中的正反面态度，语义分析所述正反面态度对应的词分量，得到对应的词含义；
[0009]检测所述词分量中每一个断点的值，所述断点的值是由每个断点的特征与四周相邻断点的特征加权平均计算得到的，在断点的值发生跳跃处设置锚点；
[0010]在所述锚点处再次采样所述第一数据流，提到第二特征，将所述第二特征进行编码后，输入到N层卷积单元，根据所述N层卷积单元的输出结果，得到第二中间结果；
[0011]对所述第二中间结果进行平滑处理，得到携带有边界和区域局部特征的高维信号集合，分析该高维信号集合，分离其中维度发生跳跃的特征，查询所述维度发生跳跃的特征对应的多媒体数据，检测出该多媒体数据是否合规，如果不合规则认定该网络多媒体数据流包含虚假信息，生成报警。
[0012]结合第一方面，在第一方面第一种可能的实现方式中，所述N层卷积单元是由N个依次连接的卷积运算模块组成，N的值反映服务器负载处理的能力。
[0013]结合第一方面，在第一方面第二种可能的实现方式中，所述用户标识是网络多媒体数据流携带的。
[0014]结合第一方面，在第一方面第三种可能的实现方式中，所述分离其中维度发生跳跃的特征的过程中采用了神经网络模型。
[0015]第二方面，本申请提供一种基于单层分离的虚假媒体识别的系统，所述系统包括处理器以及存储器：
[0016]所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
[0017]所述处理器用于根据所述程序代码中的指令执行第一方面四种可能中任一项所述的方法。
[0018]第三方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行第一方面四种可能中任一项所述的方法。
[0019]本专利技术提供一种基于单层分离的虚假媒体识别的方法和系统，通过将获取的网络多媒体数据流进行维度转换，并使用带有注意力机制的双向门控循环单元模型和分层注意力网络模型对数据流进行收敛，根据张量计算结果进行单层分离，挖掘出正反面态度，再经过语义分析得到词分量，根据词分量断点的值的变化进行二次采样，可以分离其中维度发生跳跃的特征，从而更快检测多媒体数据是否合规，实现识别虚假信息的目的。
附图说明
[0020]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0021]图1为本专利技术方法的流程图。
具体实施方式
[0022]下面结合附图对本专利技术的优选实施例进行详细阐述，以使本专利技术的优点和特征能更易于被本领域技术人员理解，从而对本专利技术的保护范围做出更为清楚明确的界定。
[0023]图1为本申请提供的基于单层分离的虚假媒体识别的方法的流程图，包括：
[0024]服务器获取网络多媒体数据流，将所述网络多媒体数据流进行采样，向量化采样结果，并进行维度转换，将接收的P*Q维度的多媒体信号转换为M*N维度的多媒体信号，其中P*Q是信号传输通道的维度，M*N是服务器负载处理的维度，P、Q、M、N均为非零正整数；
[0025]将所述维度转换后的多媒体信号根据用户标识重组为第一数据流，输入到带有注意力机制的双向门控循环单元模型和分层注意力网络模型，所述双向门控循环单元模型和分层注意力网络模型分别对第一数据流进行收敛，待收敛后完成各自的张量计算，提取注意力层的输出向量进行拼接，得到第一中间结果；
[0026]再次使用分层注意力网络模型识别所述第一中间结果，挖掘出第一数据流中的正反面态度，语义分析所述正反面态度对应的词分量，得到对应的词含义；
[0027]检测所述词分量中每一个断点的值，所述断点的值是由每个断点的特征与四周相邻断点的特征加权平均计算得到的，在断点的值发生跳跃处设置锚点；
[0028]在所述锚点处再次采样所述第一数据流，提到第二特征，将所述第二特征进行编
码后，输入到N层卷积单元，根据所述N层卷积单元的输出结果，得到第二中间结果；
[0029]对所述第二中间结果进行平滑处理，得到携带有边界和区域局部特征的高维信号集合，分析该高维信号集合，分离其中维度发生跳跃的特征，查询所述维度发生跳跃的特征对应的多媒体数据，检测出该多媒体数据是否合规，如果不合规则认定该网络多媒体数据流包含虚假信息，生成报警。
[0030]在一些优选实施例中，所述N层卷积单元是由N个依次连接的卷积运算模块组成，N的值反映服务器负载处理的能力。
[0031]在一些优选实施例中，所述用户标识是网络多媒体数据流携带的。
[0032]在一些优选实施例中，所述分离其中维度发生跳跃的特征的过程中采用了神经网络模型。
[0033]本申请提供一种基于单层分离的虚假媒体识别的系统，所述系统包括：所述系统包括处理器以及存储器：
[0034]所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
[0035]所述处理器用于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于单层分离的虚假媒体识别的方法，其特征在于，所述方法包括：服务器获取网络多媒体数据流，将所述网络多媒体数据流进行采样，向量化采样结果，并进行维度转换，将接收的P*Q维度的多媒体信号转换为M*N维度的多媒体信号，其中P*Q是信号传输通道的维度，M*N是服务器负载处理的维度，P、Q、M、N均为非零正整数；将所述维度转换后的多媒体信号根据用户标识重组为第一数据流，输入到带有注意力机制的双向门控循环单元模型和分层注意力网络模型，所述双向门控循环单元模型和分层注意力网络模型分别对第一数据流进行收敛，待收敛后完成各自的张量计算，提取注意力层的输出向量进行拼接，得到第一中间结果；再次使用分层注意力网络模型识别所述第一中间结果，挖掘出第一数据流中的正反面态度，语义分析所述正反面态度对应的词分量，得到对应的词含义；检测所述词分量中每一个断点的值，所述断点的值是由每个断点的特征与四周相邻断点的特征加权平均计算得到的，在断点的值发生跳跃处设置锚点；在所述锚点处再次采样所述第一数据流，提到第二特征，将所述第二特征进行编码后，输入到N层卷积单元，根据所述N层卷积单元的输出结果，得到第二中间结果；对所述第二中间结果进行平滑处理，得到...

【专利技术属性】
技术研发人员：苏长君，曾祥禄，
申请(专利权)人：北京智美互联科技有限公司，
类型：发明
国别省市：