欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022106657030
申请人: 昆明理工大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.基于多级交互和图重构的异构图卷积谣言检测方法,其特征在于:所述方法的具体步骤如下:Step1、对谣言数据集进行预处理,通过词频-逆文档频率TF-IDF构建文本与词之间的关系EStep2、通过双通道卷积层分别使用图卷积GCN和图注意力网络GAT学习子图节点特征,将图卷积层获得的节点特征利用变分图自编码VGAE实现图重构为节点寻找更好的嵌入向量,再对文本-词子图中的全局语义关系和文本-用户子图的用户传播信息嵌入向量利用决策级全局特征策略和自适应门控融合策略进行有效地过滤筛选,采用联合训练同时学习和更新各子图之间的参数;

所述Step2的具体步骤如下:

Step2.1、经过分解后的文本-词子图节点表示为A

H

μ=GCN

logσ=GCN

z

其中

为了获得足够的表达能力,使用GAT学习子图中节点之间的权重,图注意力层的设计如下:e

其中W

最后,将自注意力机制扩展到多头自注意力以学习更稳定的嵌入;

其中||表示串联运算,

给定文本-词子图和文本-用户子图节点表示XStep2.2、变分图自编码VGAE为图中的节点寻找合适的嵌入向量,实现图的重构;解码模块使用内积和sigmoid函数重建原始图,重建的邻接矩阵通过以下公式获得:其中σ1为sigmoid函数,

由于Z

其中m和

除了重建损失外,为了防止噪声为0并确保模型具有生成能力,还在损失函数中加入KL散度,最小化意味着优化概率分布参数μ和σ,使其尽可能接近目标分布,即高斯分布;

其中

Step2.3、文本-词子图包含文本内容的全局语义关系信息,而文本-用户子图包含源文传播所涉及的信息;然而,当融合包含两个子图的信息时,全局语义特征和用户传播特征之间的巨大差异会导致无用的特征影响检测性能,在此基础上,设计一种决策级检测的子图特征融合方法,包括决策级全局特征融合策略和自适应门控融合策略;给定节点嵌入X’其中

为了学习两个子图的权重,首先通过非线性变换单层MLP变换子图中节点的表示,然后将节点表示的重要性衡量为转换后的嵌入与全局特征注意向量q的相似性;此外,将子图中所有节点的重要性平均为子图的重要性,文本-词、文本-用户子图的重要性记为W其中W是权重矩阵,b是偏置向量,q是全局注意力向量,以上所有参数由文本-词子图和文本-用户子图共享,在得到每个子图的重要性后,通过softmax函数进行归一化,最后,通过学习子图的权重系数,融合子图中的文本节点表示,得到事件源文表示PP

其中m是事件文本的数量,P’

通过将两个子图中的潜在表示连接起来作为自适应门控融合策略的输入,设计门单元来促进神经元之间的竞争或协作,从每个子图特征中选择更有利于谣言检测的特征,自适应门融合网络表示为:S=[S’

g=σ1(W

G

其中S表示文本-词子图和文本-用户子图的节点特征的连接,包括全局语义特征和用户传播特征,g是自适应门控融合单元的状态,G作为最后一层,全局注意力特征p

使用交叉熵损失和正则化项作为模型的目标优化函数来训练模型的参数,计算如下:其中y

Step2.4、通过多图卷积编码模块对文本语义信息和用户传播信息进行编码,图重构解码模块的目的是重构数据以学习结构信息,而多特征决策检测模块是为了更好的对事件进行分类,通过最小化所有事件的损失来共同训练模块;

其中κ也是平衡损失参数,由于图重构解码模块的损失远大于事件源文分类的损失,通过设计平衡损失参数来优化损失函数。

2.根据权利要求1所述的基于多级交互和图重构的异构图卷积谣言检测方法,其特征在于:所述Step1的具体步骤为:Step1.1、通过词频-逆文档频率TF-IDF、互信息PMI、用户转发或回复源推文的时间的倒数来计算边的权重,分别构建文本-词关联图和文本-用户子图:G=(V,E)                                 (1)V=(P,W,U)                               (2)E=(E

其中,V=(P,W,U)和E=(E

Step1.2、对于文本与词的关系ETF-IDF

Step1.3、为了利用词的全局共现信息,使用互信息PMI来计算词与词节点之间边的权重EStep1.4、文本与用户之间的关系权重E