[发明专利]一种融合情感挖掘的谣言检测方法及系统

说明书

本发明提出一种融合情感挖掘的谣言检测方法，所述方法包括以下步骤；步骤A：收集并提取社交网络媒体中源帖子的文本内容和评论内容，并人工标注源帖子的真实标签，形成训练数据集DT；步骤B：使用训练数据集DT，训练基于多级注意力和知识图谱的深度学习网络模型N，训练内容包括分析源帖子的真实性和预测源帖子的真实性标签；步骤C：将源帖子的文本内容和评论内容输入到训练好的深度学习网络模型N中，获得源帖子的真实性标签；本发明可以提升对微博进行谣言检测的准确性。

技术领域

本发明涉及自然语言处理技术领域，尤其是一种融合情感挖掘的谣言检测方法及系统。

背景技术

谣言检测(Rumor Detection)，也称为虚假新闻检测，是自然语言处理(NLP)领域的一项重要任务。谣言检测可以看作是一个有监督学习的文本分类问题，一般可以分为是谣言和不是谣言两种类型。随着互联网技术的发展，诸如微博、推特等社交网络平台在大众生活中迅速流行起来。在社交网络平台中，人们不仅仅是信息的接收者也是内容的创造者。社交网络平台大大加速了人与人之间信息交流的速度和深度。社交网络平台能够及时全面地提供关于世界各地发生的事件，因此越来越多的人热衷于在社交网络平台上参与热点话题的讨论和交流。这种讨论和交流一方面促进了新闻的传播和扩散，使人们能够更加方便快捷地了解正在发生的事情。然而在这样的便利环境下，社交网络平台也降低了不实信息的传播成本。虚假谣言通常使用虚假的或者伪造的图像以及煽动性的语言，误导读者并迅速传播。虚假谣言的传播会对社会造成大规模的负面效应，引起社会动荡。

近年来，随着深度学习技术的兴起，该技术也被谣言检测任务广泛应用。其中最常用的神经网络是卷积神经网络(CNN)和递归神经网络(RNN)。由于CNN在从文本中捕获语义信息方面表现良好，因此一些研究人员将它们应用于基于内容的谣言检测中。然而，该网络不能充分利用句子中的上下文信息，而这对于建模一个方面与其上下文之间的语义关系至关重要。因此，基于CNN的神经网络模型的性能在谣言检测任务中受到限制。针对这个问题，许多研究人员采用了RNN，尤其是长短期记忆(LSTM)和门控循环单元(GRU)，来提取谣言的上下文语义信息。与CNN不同，RNN将一个句子视为一个词序列，按时间顺序取每个词，将隐藏层的输出作为下一个隐藏层的输入，不断学习序列数据中的上下文信息。Ma等人利用循环神经网络来捕获每个源帖子及其转发评论之间的语义变化，并根据语义变化进行预测。基于RNN的神经网络模型在谣言检测中明显优于基于CNN的神经网络模型。

研究人员指出，给定帖子的谣言特征往往是由几个关键词决定的，而不是由上下文中的所有词决定的。而RNN无法精确估计不同上下文词对整体语义的贡献。相比之下，注意力机制可以通过计算每个上下文词对给定帖子语义的注意力权重并利用这个注意力权重来计算帖子的语义表示来捕捉每个上下文词的重要性。

然而，这些神经网络模型大多都忽略了帖子中的情感信息，它代表了发布者对于帖子内容的情绪，这对于正确判断帖子的真实性标签尤为重要。最近有学者专注于发现假谣言和真谣言之间的独特情感特征。Ajao等人验证了新闻的真实性(真假)与情感词的使用之间存在关系，并设计一个情感特征(消极词和积极词的数量之比)来帮助检测假新闻。此外，Giachanou等人基于情感词典从新闻内容中提取情感特征用于谣言检测。然而，现有的相关研究忽略了在情感方面所需要的句法依赖信息和外部知识信息，使得情感信息没有被充分提取。

发明内容

本发明提出一种融合情感挖掘的谣言检测方法及系统，可以提升对微博进行谣言检测的准确性。

本发明采用以下技术方案。

一种融合情感挖掘的谣言检测方法，所述方法包括以下步骤；

步骤A：收集并提取社交网络媒体中源帖子的文本内容和评论内容，并人工标注源帖子的真实标签，形成训练数据集DT；

步骤B：使用训练数据集DT，训练基于多级注意力和知识图谱的深度学习网络模型N，训练内容包括分析源帖子的真实性和预测源帖子的真实性标签；