[发明专利]一种基于卷积神经网络的点击诱饵检测方法

说明书

本发明公开了一种基于卷积神经网络的点击诱饵检测方法，分解其实施顺序包括以下步骤：步骤1：词的切分，将句子分解成为单个的词；步骤2：词的向量化表示，由于离散的字，词无法作为模型的输入，需要将词表示为可供计算机处理的向量，将词表示为连续的稠密的词向量，将所有词向量拼接构成查找矩阵；步骤3：自动提取特征，利用卷积神经网络结构自动产生有用的特征；步骤4：分类器，通过学习得到的特征，将词输入到分类器中，最终得到模型的预测结果。该方法能够自动得到不依赖于外部的特征，并适用于所有语言，优于以往的人工构造特征的方法，本发明的方法在跨语言任务上的健壮性和有效性。

技术领域

本发明涉及互联网技术领域，特别涉及一种基于卷积神经网络的点击诱饵检测方法。

背景技术

随着Web2.0的出现，人们更喜欢在线阅读新闻。作为传统纸质媒体的替代品，网络新闻涵盖的话题更广泛，媒体内容丰富，形式多样，也提供了更多的选择。然而，另一方面，在线新闻网站也充斥着大量低质量的内容。大多数这样的网络媒体通常不收取读者订阅费，他们的主要收入来自于在其网页上展示的广告，广告费的高低主要依靠用户的浏览和点击。为了吸引更多的用户关注以及与其他同类媒体竞争，部分网络媒体想出使用一些吸引人眼球的文字标题的方法，这样的标题称为点击诱饵。点击诱饵通常有误导性的标题，夸大或隐藏部分事实，显然，点击诱饵在信息爆炸的时代妨碍了读者更高效的获取信息，使读者感到失望。从长远来看媒体的公信力也会大大降低，因此检测和防止点击诱饵变得十分必要。以前的工作依靠人工构建的词汇和句法特征，并且通过这些方法上取得了不错的成绩。然而，这类工作在特征提取上大量依赖于专业知识，不能应用于不具有这些特性的语言，例如英文中字符级的信息，以及大小写等在点击诱饵检测中起着重要的作用，而像中文，日语等语言不包含这样的特征。另一方面，尽管点击诱饵现象在互联网上所有类型语言都普遍发生过，但除了英语以外的其他语言点击诱饵检测几乎没有人研究过。

发明内容

发明的目的在于提供一种基于卷积神经网络的点击诱饵检测方法，该方法能够自动得到不依赖于外部的特征，并适用于所有语言。对中英文语料的实验表明，本发明的方法取得了一致的结果，并且优于以往的人工构造特征的方法，实验结果同时表明了本发明的方法在跨语言任务上的健壮性和有效性，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于卷积神经网络的点击诱饵检测方法，从输入新闻表示，到系统给出判定是否为点击诱饵，分解其实施顺序包括以下步骤：

步骤1：词的切分，将句子分解成为单个的词，通过词承载的句子语义，能够更好地使用模型对句子进行进一步的分析和处理；

步骤2：词的向量化表示，由于离散的字，词无法作为模型的输入，需要将词表示为可供计算机处理的向量，将词表示为连续的稠密的词向量，以保存从上下文中学习到的句法和语义信息，将所有词向量拼接构成查找矩阵L∈R^d×|V|，嵌入矩阵可以从通过一个均匀分布随机初始化或者预先从一个大的文本语料库中预先训练得到；

步骤3：自动提取特征，利用卷积神经网络结构自动产生有用的特征，使用多个具有不同的窗口大小卷积滤波器产生特征，捕捉不同粒度的局部特征，对该特征图进行最大池化操作；

步骤4：分类器，通过学习得到的特征，将词输入到分类器中，最终得到模型的预测结果，即输入的文本是否为点击诱饵，并输出置信度概率。

进一步地，将词表示为连续的稠密的词向量，依据公式：e_i＝Lb_k∈R^d。

进一步地，矩阵L∈R^d×|V|中d为词向量的维度，|V|为词表大小。

进一步地，卷积神经网络产生的新特征是c_i由方程f(w·e_i：i+h-1+b)得到。