[发明专利]社交网络虚假新闻检测方法及装置

说明书

本发明公开了一种社交网络虚假新闻检测方法及装置，方法包括：获得社交网络新闻数据的文字元素和图像元素；对预处理后的新闻文字元素采用Bi‑LSTM神经网络模型进行文本特征提取；对新闻图像元素采用VGG‑19神经网络模型进行视觉特征提取并进行后处理；利用点积型注意力机制对文本特征和图像特征进行互融合，依次得到修正文本特征和修正视觉特征；对不同时刻的修正文本特征进行时间层面自注意力融合，得到终极文本特征；对不同位置的修正视觉特征进行空间层面自注意力融合，得到终极视觉特征；将终极文本特征和终极视觉特征进行拼接后，输入带有softmax的全连接层神经网络模型，从而可以及时检测虚假新闻。

技术领域

本发明涉及社交网络欺诈检测领域，尤其涉及社交网络虚假新闻检测方法及装置。

背景技术

本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。

以微博为代表的社交媒体已经成为当前获取新闻资讯的主要方式。然而，由于读者缺乏对新闻来源可靠性和内容权威性的认知，虚假新闻时有发生。虚假新闻是指故 意为假或验证为假、以及误导读者的新闻文章。

因此，亟需一种可以及时检测虚假新闻并帮助阻止这类新闻的重大扩散的社交网络虚假新闻检测方案。

发明内容

本发明实施例提供一种社交网络虚假新闻检测方法，用以进行社交网络虚假新闻检测，及时检测虚假新闻，有利于帮助阻止这类新闻的重大扩散，该方法包括：

获得社交网络新闻数据，所述社交网络新闻数据包含新闻文字元素和新闻图像元素；

对所述新闻文字元素进行预处理，其中预处理包括：特殊符号剔除处理、分词处理、停用词剔除处理、词嵌入编码处理；

对预处理后的新闻文字元素，采用Bi-LSTM神经网络模型进行文本特征提取， 得到分词文本向量；

对所述新闻图像元素，采用VGG-19神经网络模型进行视觉特征提取，得到分层 视觉向量；

对所述分层视觉向量进行后处理，其中后处理包括：降维处理和对齐处理；

以分词文本向量为目标，以分层视觉向量与分词文本向量之间的相关性为权重系数，利用点积型注意力机制得到修正文本特征；

以分层视觉向量为目标，以分词文本向量与分层视觉向量之间的相关性为权重系数，利用点积型注意力机制得到修正视觉特征；

对不同时刻的修正文本特征进行时间层面自注意力融合，得到终极文本特征；

对不同位置的修正视觉特征进行空间层面自注意力融合，得到终极视觉特征；

将终极文本特征和终极视觉特征进行拼接后，输入带有softmax全连接层的神经网络模型，进行社交网络虚假新闻检测。

本发明实施例提供一种社交网络虚假新闻检测装置，用以进行社交网络虚假新闻检测，及时检测虚假新闻，有利于帮助阻止这类新闻的重大扩散，该装置包括：

新闻数据获得模块，用于获得社交网络新闻数据，所述社交网络新闻数据包含新闻文字元素和新闻图像元素；

文本特征预处理模块，用于对所述新闻文字元素进行预处理，其中预处理包括：特殊符号剔除处理、分词处理、停用词剔除处理、词嵌入编码处理；

文本特征提取模块，用于对预处理后的新闻文字元素，采用Bi-LSTM神经网络 模型进行文本特征提取，得到分词文本向量；

视觉特征提取模块，用于对所述新闻图像元素，采用VGG-19神经网络模型进行 视觉特征提取，得到分层视觉向量；

视觉特征后处理模块，用于对所述分层视觉向量进行后处理，其中后处理包括：降维处理和对齐处理；