[发明专利]一种基于传播图神经网络的互联网谣言检测方法

权利要求书

1.一种基于传播图神经网络的互联网谣言检测方法，其特征在于，包括：

步骤S1：获取待检测网页中用户的评论或回复结构，构建传播图；

步骤S2：获取待检测网页中的文本数据，构建文本的向量表示；

步骤S3：将文本的向量表示作为传播图中节点的初始状态，并利用基于门控循环单元的图神经网络更新传播图中节点的向量表示，根据传播图中节点的向量表示对待检测谣言进行分类。

2.根据权利要求1所述的基于传播图神经网络的互联网谣言检测方法，其特征在于，步骤S1包括：

获取网页中消息的评论、回复和转发关系，构建传播树结构；

对于传播树中存在的路径，添加方向相反的路径，构成传播图。

3.根据权利要求1所述的基于传播图神经网络的互联网谣言检测方法，其特征在于，步骤S2包括：

获取待检测网页中的文本数据，并将文本中的每个单词表示为词向量；

对每个文本中的词向量取均值，作为文本的向量表示。

4.根据权利要求3所述的基于传播图神经网络的互联网谣言检测方法，其特征在于，采用word2vec算法将文本中的每个单词表示为词向量。

5.根据权利要求1所述的基于传播图神经网络的互联网谣言检测方法，其特征在于，利用基于门控循环单元的图神经网络对传播图中节点的向量表示进行更新，节点v的向量表示从时间步t-1到t的更新过程为：

其中，v表示节点，IN(v)表示传播图中的节点集合，t表示时间步，作为门控循环单元在第t个时间步的输入，I(·)为指示函数，e_u,v表示从节点u指向节点v的边，Ψ:E→R是边集的类型映射函数，E表示传播图中的边集，R表示关系路径的集合，|R|表示关系路径的类型总数，r_i表示第i种类型的关系路径，α_i表示不同类型的关系路径的权重，W_i和b_i分别为第i种关系路径对应的权重矩阵和偏置，为节点u在第t-1个时间步的向量表示；为节点v在第t个时间步的更新门，σ(·)为sigmoid激活函数，W_z和U_z为更新门的权重矩阵，为节点v在第t-1个时间步的向量表示；为节点v在第t个时间步的重置门，W_r和U_r为重置门的权重矩阵；为节点v在第t个时间步的候选状态，和为候选状态的权重矩阵，为节点v在第t个更新步的向量表示，⊙为哈达马积。

6.根据权利要求5所述的基于传播图神经网络的互联网谣言检测方法，其特征在于，步骤S3中，在更新传播图中节点的向量表示时，通过注意力机制，动态地调整传播图中各个节点的权重，具体方法为：

将公式修改为如下公式：

其中，为注意力分数，计算方式为：

其中，u′表示与节点u不同的任意节点，节点v沿着某一条关系路径汇聚邻域信息时，会根据该路径两端节点的向量表示动态地调整该路径的权重。