[发明专利]动态传播特征增强的多模态谣言检测方法及系统

说明书

本发明涉及一种动态传播特征增强的多模态谣言检测方法及系统，该方法包括以下步骤：步骤A：在社交媒体中收集多媒体帖子，提取出帖子中的文本、评论、图像和用户资料，并对帖子的真实性标签进行标注，以此构建训练数据集DS；步骤B：使用训练数据集DS训练具有动态传播特征增强的多模态谣言检测模型M，以利用模型M来分析帖子的真实性，并得出帖子的预测标签；步骤C：将未检测多媒体帖子的文本、评论、图像和用户资料输入到训练好的多模态谣言检测模型M中，获得多媒体帖子的真实性标签。该方法及系统有利于提高社交媒体中谣言检测的准确性和可靠性。

技术领域

本发明属于自然语言处理领域，具体涉及一种动态传播特征增强的多模态谣言检测方法及系统。

背景技术

谣言检测(Rumor Detection)，又称虚假新闻检测，是自然语言处理(NLP)领域中一项重要的研究任务。随着社交媒体的兴起，微博、Twitter等社交媒体已经成为人们不可缺少的交流工具。但由于社交媒体传播速度快且范围广，谣言已逐渐成为人们关注的重要问题。在社交媒体中，谣言是一种未经证实的信息表述，通常会使用虚假或者伪造的图像以及煽动性的文字误导用户。谣言的出现常常会给个人或社会造成巨大的经济损失和严重的危害。虽然各社交媒体机构已陆续上线了辟谣平台来加强对谣言的管控，但这些平台仍需要耗费大量人力物力收集信息来判断谣言的真实性。因此，迫切需要一种能够有效检测谣言的自动化方法。

由于深度学习方法相较于传统机器学习方法具有很大的性能优势，越来越多的研究学者开始将深度学习方法应用到谣言检测问题中。深度神经网络能够自动学习质量更高、更具有本质代表性的数据特征，例如卷积神经网络和循环神经网络。卷积神经网络可以从文本中捕获局部的语义信息，因此一些研究学者将其应用于基于文本内容的谣言检测中。但是，卷积神经网络往往不能充分学习文本句子中的上下文信息，而上下文信息对于理解文本的整体语义来说非常的重要。因此基于卷积神经网络的谣言检测模型在性能上受到了限制。为了解决这个问题，一些研究学者提出利用循环神经网络来提取文本中的上下文语义信息，例如长短期记忆(LSTM)和门控循环单元(GRU)等。与卷积神经网络不同，循环神经网络将句子视为一个单词序列，按时间顺序选取每个单词，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，能够让模型很好地理解句子的整体语义，提高谣言检测的性能。尽管基于循环神经网络的谣言检测模型在性能上取得了一定的突破，但是仍然存在一些缺陷。这种方法只利用了文本信息来检测谣言，忽略了谣言传播过程的拓扑关系。

因此，一些研究学者研究了基于文本信息和传播图的谣言检测方法。通过对帖子的传播过程建模构建传播图，使用图神经网络聚合邻居节点的信息，以达到捕获谣言的传播结构特征的目的。例如Wu等人对每个样本帖子构建传播图，利用门控图神经网络对关系路径上的邻接节点交换信息，更新节点表示，从而增强传播图的节点特征表示。Ma等人利用自顶向下和自低向上的树形循环神经网络来捕获谣言的语义特征和传播特征。此外，部分研究学者开始尝试构建异构传播图为模拟谣言传播过程提供新的研究方向，并取得了出色的性能表现。Huang等人构建了帖子-词-用户异构图，利用基于关系路径的异构图注意力网络来捕获文本的全局语义关系和帖子传播的全局结构信息。Khoo等人使用多头注意力机制对不同帖子之间的长距离交互进行建模，提出一种帖子级注意力模型。Ran等人提出一种多通道图注意力网络，该网络分别对源帖子与评论的关系、源帖子与用户的关系、源推文与其单词的关系进行建模构建三个异构子图，并设计了事件共享模块来学习不同谣言事件中的共性特征。Bian等人利用双向图卷积网络学习谣言的传播模式，捕捉谣言扩散的结构特征。Yuan等人将帖子、转帖和用户的全局关系建模成异构图，然后从帖子和用户的传播关系中捕获局部语义信息和全局结构信息。