[发明专利]一种基于双引擎网络和DRQN的微博早期谣言检测方法

说明书

本发明属于社交网络谣言检测技术领域，具体涉及一种基于双引擎网络和DRQN的微博早期谣言检测方法。本发明针对社交网络中的微博谣言早期阶段识别，通过由双引擎网络实现的谣言检测模块，将微博的原始信息和回复信息针对其各自的特征分别进行处理，提高了谣言检测的准确率。本发明通过由DRQN实现的控制模块，可以自动化地控制微博回复信息的读取数量，从而达到在谣言出现早期进行检测的目的，同时可以动态地平衡谣言检测的准确性和及时性。

技术领域

本发明属于社交网络谣言检测技术领域，具体涉及一种基于双引擎网络和DRQN的微博早期谣言检测方法。

背景技术

随着互联网的飞速发展，社交网络与人们的生活变得逐渐紧密，网民的参与度和使用率迅速攀升。“We Are Social”2019年公布的全球数字化统计报告显示，截止2018年底，全世界的社交网络用户高达34.8亿人，占据世界总人数的45％。以Twitter、微博为代表的社交网络平台为网民提供了发布信息、发表意见的功能，新闻媒体也逐渐在社交网络上建立了官方账号进行新闻报道，因此社交网络逐渐成为了人们主要的信息来源。

社交网络的普及在提高人们生活效率的同时，也成为网络谣言滋生的环境。在信息量爆炸的今天，每天有海量的信息在社交网络中传播，其中不乏大量的谣言信息。谣言对社会的危害是不容忽视的。面对谣言横行的网络环境，社交网路平台纷纷建立了辟谣账号进行人工辟谣，但是仅靠人工审核来制止谣言不仅人工成本高，而且效率十分低下，所以基于人工智能的谣言检测技术逐渐成为研究的热点。谣言传播过程具有明显的时效性，具体来讲，谣言早期出现的时候以爆发的形式迅速扩散，但随着时间的推移，其传播速度会大幅度降低，直至最终消亡。如果谣言在早期出现时就能被准确识别并控制其传播行为，虚假谣言带来的不良影响就可以大幅度降低，因此社交网络早期谣言检测研究十分重要。

当前关于谣言的早期检测方面涉及较少。目前的早期谣言检测方法可以分为三种：

(1)实时谣言检测，如Castillo等人提出的模型，该模型采用支持向量机对原始信息进行分类而不考虑回复信息，所以在检测时间上不存在延迟问题，从而达到实时检测的目的。虽然实时谣言检测方法能够保证在谣言出现早期对其实施检测，但是其误判率较高，实用价值不大。

(2)基于静态检查点的早期谣言检测，如Dungs等人提出的模型基于隐马尔可夫理论，其原理是在模型读取回复信息的过程中，以固定的回复信息数量为间隔(文献中使用的间隔长度为5)设定一个静态检查点，每个检查点都会考虑是否输出检测结果，如果输出检测结果，则谣言检测流程结束，否则继续读取回复信息，直到出现一个检测点输出检测结果。该方法也是目前比较流行的方法，虽然理论上能够实现早期检测，但不够灵活，无法发挥模型的潜在性能。

(3)基于强化学习的早期谣言检测，如Zhou等人提出的模型。该模型由谣言检测模块和检查点模块两部分组成，其中检查点模块是由强化学习模型实现，它通过动态地控制输入谣言检测模块回复信息的数量实现早期谣言检测。模型可以通过强化学习，不断权衡检测时间和检测准确率，以达到兼顾谣言检测的“早期性”和准确性的最优的平衡点。

对比三种方法，实时谣言检测的方法虽然可以较好地实现谣言早期检测，但是较高的误检率使其难以实际应用；基于静态检查点的早谣检测方法，可以保证一定的准确性，并在一定程度上可以做到谣言的早期检测，但是其无法在谣言检测的早期性和准确性上找到最优的平衡点；基于强化学习的早期谣言检测方法可以在学习过程中，动态特平衡检测准确率和检测的时间延迟。

发明内容

本发明的目的在于提供一种基于双引擎网络和DRQN的微博早期谣言检测方法。

本发明的目的通过如下技术方案来实现：包括以下步骤：

步骤1：谣言检测模块中的原始信息网络读取微博的原始博文信息，得到微博的状态向量；