【技术实现步骤摘要】
本专利技术涉及一种基于时空传播图的动态谣言检测方法，属于图结构生成、图结构分类和图结构预测。
技术介绍
1、谣言检测并非静态孤立，社交网络中用户行为、群体聚集、影响力辐射将导致用户内容传播，进而带来网络结构变化，使用户发布内容热度呈现阶段式演变；即除语义内容外，谣言判定受网络传播的动态性影响，既需考虑当下网络结构交互，亦需预估后期传播发展态势。因此，综合考虑语义、网络结构以及多因素动态演变信息以进行谣言检测，仍是具有挑战性的问题。
2、在社交网络平台中，用户发布内容与评论之间、评论与评论之间有着重要的结构化传播特征。第一，已有相关工作采用图神经网络分析谣言传播图结构，完成谣言检测判定。具体而言， 以双向图卷积按“自顶而下”和“自底向上”两个方向，卷积谣言传播图结构并融合两类方向上的图结构特征，以完成谣言检测。以时序演化模式模拟信息扩散过程，并结合用户发布内容语义特征协同进行谣言检测。从外界知识图谱中，引入与当前谣言传播图相关的辅助信息，并以重要子图结构作为传播记忆认知基础，提高谣言检测可解释性。将谣言转发图结构转化为易于处理的二叉树，并从中抽取元路径作为谣言检测语料库，以提升谣言检测精准度。改进图神经网络卷积算子，捕捉谣言传播过程的动态性，以识别出社交网络中的谣言信息。通过邻居路径学习谣言传播图的节点表示，通过“谱域卷积”定位谣言传播源，以完成谣言检测。第二，谣言传播图具备动态演化性，为防止当前用户发布内容在后期演变为谣言，部分学者通过条件化图结构生成，预测谣言传播图或演变出的图结构，以提高谣言检测精准度；基于历史传
3、目前，谣言检测算法大多基于静态用户内容传播图结构信息进行谣言检测，而忽略了用户内容传播图的动态特征和全局时空信息，存在难以提取传播图结构动态性以及演化规律信息遗漏的问题。
技术实现思路
1、本专利技术要解决的技术问题是，克服现有技术的缺陷，提供一种基于时空传播图的动态谣言检测方法，能够考虑用户内容传播图的动态特征和全局时空信息，有效识别社交网络中的谣言。
2、为解决上述技术问题，本专利技术采用的技术方案为：
3、一种基于时空传播图的动态谣言检测方法，包括以下步骤：
4、以用户评论与转发、时间戳与发布位置为主线，针对谣言内容构造用户内容传播动态图的序列；
5、将用户内容传播动态图的序列按照时刻进行分块，得到邻近图结构集合；
6、将邻近图结构集合中各时刻下图分块做空洞卷积处理，输出各时刻图分块渐进图卷积隐藏表示；
7、将各时刻图分块渐进图卷积隐藏表示的序列为输入，通过三层倒梯形图卷积压缩，按横向-时间方向与纵向-空间方向，逐步压缩为全局时空传播图表示；
8、将全局时空传播图表示与用户内容传播动态图中各节点的情绪和话题特征相融合，获得谣言传播图结构表示；
9、使用图神经网络分类算法对谣言传播图结构表示进行第一次谣言分类判定，若谣言传播图结构表示被判定为非谣言，则进行谣言截断措施；
10、若谣言传播图结构表示被判定为非谣言，则构建空间-时间-空间的三层图卷积生成网络，根据邻近图结构集合中当前时刻下非谣言节点的图分块，生成未来时刻或演化出的内容传播结构，即谣言演化图结构；
11、将谣言演化图结构做图结构微调修改得到预测图；
12、将用户内容传播图和预测图进行融合，形成谣言历史与演化图结构；
13、将谣言历史与演化图结构使用渐进图卷积网络与全局时空图卷积网络，复用图卷积分类思想进行二次核验，若二次检验的内容为非谣言，则放行结束，否则进行谣言截断措施。
14、进一步的，用户内容传播动态图的序列表示为，t表示时间总长度，其中为时刻 t的传播图， v t为时刻 t下的节点， a t为时刻 t下的邻接矩阵， a t由用户发布内容与其评论之间或评论与评论之间的关系转换而来，如公式（1）所示：
15、 （1）
16、其中，为节点 v i在时刻 t的向量表示，为节点 v j在时刻 t的向量表示， w为可学习的参数矩阵，softmax函数对邻接矩阵进行归一化，relu激活函数消除负连接， t∈[1, t]。
17、进一步的，邻近图结构集合表示为；其中，表示在时刻 t下的图结构， e t为时刻 t下的边的连接信息。
18、进一步的，在具有相似信号的节点 v t之间施加更高的权重，两个节点 v i和 v j之间的余弦相似度 s ij定义为：
19、 （2）。
20、进一步的，图神经网络分类算法包括多个层，每一层都由以下两个步骤组成：a.聚合，所述聚合用于对于每个节点 i聚合其邻居节点的特征信息；b.更新，所述更新用于使用聚合后的特征信息更新节点 i的特征向量；
21、图神经网络的最后一层上使用一个全连接层或者softmax层来预测节点的类别，图神经网络表示为：
22、（3）；
23、其中，和表示节点 i在第 t层和第 t+1层的特征向量， f是用于更新节点特征的函数，对应全连接层，aggregate是用于聚合邻居特征的函数， n( i)表示节点 i的邻居节点集合。
24、进一步的，空间-时间-空间的三层图卷积生成网络中，第一层空间卷积层在本文档来自技高网...
【技术保护点】
1.一种基于时空传播图的动态谣言检测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于时空传播图的动态谣言检测方法，其特征在于：用户内容传播动态图的序列表示为，T表示时间总长度，其中为时刻t的传播图，Vt为时刻t下的节点， At为时刻t下的邻接矩阵，At由用户发布内容与其评论之间或评论与评论之间的关系转换而来，如公式（1）所示：
3.根据权利要求2所述的基于时空传播图的动态谣言检测方法，其特征在于：邻近图结构集合表示为；其中，表示在时刻t下的图结构，Et为时刻t下的边的连接信息。
4.根据权利要求3所述的基于时空传播图的动态谣言检测方法，其特征在于：在具有相似信号的节点Vt之间施加更高的权重，两个节点Vi和Vj之间的余弦相似度Sij定义为：
5.根据权利要求1所述的基于时空传播图的动态谣言检测方法，其特征在于：图神经网络分类算法包括多个层，每一层都由以下两个步骤组成：a.聚合，所述聚合用于对于每个节点i聚合其邻居节点的特征信息；b.更新，所述更新用于使用聚合后的特征信息更新节点i的特征向量；
6.根据权利要求
7.根据权利要求6所述的基于时空传播图的动态谣言检测方法，其特征在于：给定t时刻的图及其邻接矩阵，图卷积生成网络的第l层输入是第l-1层输出的向量和邻接矩阵，输出是更新后的节点向量，第l层的运算可以表示为：
8.根据权利要求6所述的基于时空传播图的动态谣言检测方法，其特征在于：第一层空间卷积层和第三层空间卷积层采用GRU组件来对图神经网络模型的权重参数进行更新。
9.根据权利要求1所述的基于时空传播图的动态谣言检测方法，其特征在于：所述将谣言演化图结构做图结构微调修改得到预测图包括：将谣言演化图结构输入至LSTM网络，以捕捉传播图中节点间的时序依赖关系，分析预测图中节点序列，同时使用多头自注意力，以捕捉所预测生成的传播图中高度相关节点对；最后，由全连接层对高度相关节点对进行链路预测，以核验二者之间是否应有边相连，过程可以描述为公式（5）:
10.根据权利要求1所述的基于时空传播图的动态谣言检测方法，其特征在于：所述将用户内容传播图和预测图进行融合，形成谣言历史与演化图结构包括：直接使用拼接方式来合并用户内容传播图和预测图的节点和边，假设用户内容传播图和预测图分别为和，其中V1和V2分别表示用户内容传播图和预测图的节点集合，A1和A2分别表示用户内容传播图和预测图的边集合信息对应的邻接矩阵，连接两个图的过程可以用以下数学公式表示：
...【技术特征摘要】
1.一种基于时空传播图的动态谣言检测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于时空传播图的动态谣言检测方法，其特征在于：用户内容传播动态图的序列表示为，t表示时间总长度，其中为时刻t的传播图，vt为时刻t下的节点， at为时刻t下的邻接矩阵，at由用户发布内容与其评论之间或评论与评论之间的关系转换而来，如公式（1）所示：
3.根据权利要求2所述的基于时空传播图的动态谣言检测方法，其特征在于：邻近图结构集合表示为；其中，表示在时刻t下的图结构，et为时刻t下的边的连接信息。
4.根据权利要求3所述的基于时空传播图的动态谣言检测方法，其特征在于：在具有相似信号的节点vt之间施加更高的权重，两个节点vi和vj之间的余弦相似度sij定义为：
5.根据权利要求1所述的基于时空传播图的动态谣言检测方法，其特征在于：图神经网络分类算法包括多个层，每一层都由以下两个步骤组成：a.聚合，所述聚合用于对于每个节点i聚合其邻居节点的特征信息；b.更新，所述更新用于使用聚合后的特征信息更新节点i的特征向量；
6.根据权利要求1所述的基于时空传播图的动态谣言检测方法，其特征在于：空间-时间-空间的三层图卷积生成网络中，第一层空间卷积层在每个时间步下捕捉当前时刻的用户内容传播图结构信息；第二层时间卷积层聚合历史邻域信息，捕捉邻域子图结构演化特征；第三层空间卷积层采用...
【专利技术属性】
技术研发人员：杨彬，马廷准，荣欢，黄学坚，贾莉，
申请(专利权)人：南京信息工程大学，
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。