[发明专利]一种基于传播影响力的网络谣言识别系统及方法

说明书

本发明公开了一种基于传播影响力的网络谣言识别方法，具体包括如下步骤：对多个包含谣言信息的文本进行神经网络训练，得到文本特征矩阵；获取第一用户节点信息矩阵；构建传播图结构；构建发布用户传递注意力节点模型；根据更新后的第二用户节点信息矩阵和所述文本特征矩阵来训练神经网络模型，得到谣言识别模型；根据所述谣言识别模型识别网络谣言。本发明还公开一种基于传播影响力的网络谣言识别系统，包括：文本特征矩阵获取模块、用户节点信息获取模块、第一构建模块、第二构建模块、训练模块、识别模块；综上，本发明有效的捕获了谣言信息在转发关系中不同维度的节点信息，能够有效识别谣言信息。

技术领域

本发明属于网络谣言识别技术领域，特别是涉及一种基于传播影 响力的网络谣言识别系统及方法。

背景技术

在线社会网络与我们的生活、工作息息相关，不断丰富的信息对 于信息挖掘十分有利，但也会导致虚假信息泛滥。人们不仅仅能够通 过网络获取各式各样的信息，而且还能够参与到信息内容的创作中 去。凭借参与、公开、交流、对话、社区化的特性，在线社会网络大 大加速了人与人之间信息交流的速度与深度，与此同时，我们还需要 看到：它在为人们提供便利的信息交流、互动的同时，也降低了不实 信息的传播成本。因此，寻找一种有效的虚假消息识别方法来减少虚 假负面消息的影响成为研究人员关注的问题。

目前有许多检测谣言的方法，其中应用最为广范的检测方法大致 分为两种：(1)基于人工特征的方法：该方法主要通过构建相关谣言 微博的特征，使用决策树或支持向量机等机器学习分类器进行事件分 类，通用性较差，这种基于特征工程的方法虽然取得了一定的成效， 但是需要耗费大量资源，并且受限于人工设计的规则。(2)基于深度 神经网络模型：这类模型在语义表示与谣言检测运用方面更具优势； 神经网络模型与机器学习方法相比，能够自动从数据中学习事件特 征，避免了大量的特征工程，在捕获上下文之间复杂的语义关系方面 也有更好的拓展性。但目前神经网络谣言检测模型，并没有很好的充 分利用谣言相关的文本信息和用户节点信息，对于文本信息学习效果 不够好，对于用户节点信息表示单一化不够完善，未利用用户节点间 的影响力。

发明内容

为了解决上述技术问题，提供一种基于传播影响力的网络谣言识 别方法，具体包括如下步骤：

S101：对多个包含谣言信息的文本进行神经网络训练，得到文本 特征矩阵；

S102：基于谣言信息的发布用户，得到第一用户节点信息矩阵；

S103：基于所述第一用户节点信息矩阵和所述发布用户在多个所 述文本之间的转发和评论关系，构建传播图结构；

S104：基于所述传播图结构，构建发布用户传递注意力节点模型， 并将所述第一用户节点信息矩阵输入该模型中，输出更新后的第二用 户节点信息矩阵；

S105：根据所述更新后的第二用户节点信息矩阵和所述文本特征 矩阵来训练神经网络模型，得到谣言识别模型；

S106：根据所述谣言识别模型识别网络谣言。

优选地，所述步骤S101具体为：

S101.1：对多个所述包含谣言信息的文本进行清洗和长度规范 化；

S101.2：对多个所述文本中的单词进行神经网络训练，得到所述 单词的词汇量；

S101.3：基于所述词向量，得到多个所述文本的第一词特征矩阵；

S101.4：将所述第一词特征矩阵通过注意力机制学习所述单词之 间的依赖关系，得到第二词特征矩阵；

S101.5：将所述第二词特征矩阵输入卷积层和最大池化层，得到 所述文本特征矩阵。