【技术实现步骤摘要】
本专利技术属于属于信息处理与人工智能，具体涉及一种基于多模态语义区别和双向提示的虚假信息检测模型及方法，适用于社交媒体、新闻媒体等场景下的文本-图像多模态虚假信息检测。
技术介绍
1、虚假新闻的泛滥已对社会造成深远影响，其自动检测成为一项重要的研究课题。基于文本的单模态虚假信息检测是指仅依靠文本自身，使用文本分析和自然语言处理技术来检测其中是否存在虚假信息的方法。这种方法通常涉及对文本进行特征提取、文本分类、情感分析、主题建模等技术，以识别出文章中的虚假信息。wang等人提出使用支持向量机(svm)、朴素贝叶斯(naive bayes)、决策树(decision tree)等机器学习模型来进行虚假信息检测，同时提出了一种基于模型置信度的自适应训练方法，根据分类器的置信度，调整每个样本的权重，使分类器更加关注那些被错误分类或置信度较低的样本。并使用调整后的权重重新训练分类器，不断重复直到分类器性能达到预期水平。feng等人]提出一种使用高斯核函数的支持向量机模型算法svm-rbf。高斯核本质是在衡量样本和样本之间的“相似度”，在一个刻画“...
【技术保护点】
1.基于多模态语义区别和双向提示的虚假信息检测模型，其特征在于，包括：
2.根据权利要求1所述的虚假信息检测模型，其特征在于，所述提示学习模块采用背景提示和虚拟提示构建的混合提示模板，通过拼接形成输入序列其中Pv为虚拟提示矩阵，Pb为背景提示矩阵，T为原始文本矩阵，表示矩阵拼接运算。
3.根据权利要求1所述的虚假信息检测模型，其特征在于，所述胶囊网络的输入胶囊由经过前馈网络处理的文本特征与图像特征，以及未经前馈网络处理的原始文本特征与图像特征，通过动态路由算法生成融合后的多模态特征向量。
4.基于多模态语义区别和双向提示的虚假信息检...
【技术特征摘要】
1.基于多模态语义区别和双向提示的虚假信息检测模型，其特征在于，包括：
2.根据权利要求1所述的虚假信息检测模型，其特征在于，所述提示学习模块采用背景提示和虚拟提示构建的混合提示模板，通过拼接形成输入序列其中pv为虚拟提示矩阵，pb为背景提示矩阵，t为原始文本矩阵，表示矩阵拼接运算。
3.根据权利要求1所述的虚假信息检测模型，其特征在于，所述胶囊网络的输入胶囊由经过前馈网络处理的文本特征与图像特征，以及未经前馈网络处理的原始文本特征与图像特征，通过动态路由算法生成融合后的多模态特征向量。
4.基于多模态语义区别和双向提示的虚假信息检测方法，其特征在于，包括以下步骤：
5.根据权利要求4所述的虚假信息检测方法，其特征在于，步骤s1所述...
【专利技术属性】
技术研发人员：陈国莲，王伟全，刘卉，曹均阔，赵晨曦，
申请(专利权)人：海南师范大学，
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。