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: 2022107210772
申请人: 南京邮电大学
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:

1.一种时序感知的异质图神经谣言检测模型,所述模型包括4个模块:异质图构建模块、局部时序信息编码模块、全局结构信息编码模块和谣言分类模块,其中,所述异质图构建模块基于谣言检测数据集构建事件‑用户异质图,并利用嵌入技术对图中各节点进行初始化表示;所述局部时序信息编码模块基于事件内部转发或评论贴之间的时序关系,利用时序感知的自注意力机制学习具有时序信息的响应贴表示,再融合源贴本身的内容信息,得到每个事件节点的局部时序表征 所述全局结构信息编码模块基于用户与事件之间的交互关系,利用元素级注意力机制学习每个事件节点的全局结构表征 所述谣言分类模块融合事件的局部时序表征和全局结构表征,预测当前事件为谣言的概率;其特征在于,所述模块构成具体包括以下步骤来实现:S01:异质图构建:基于事件内部转发或评论贴的与源贴间的时序关系以及用户与事件之间交互关系构建异质图;对异质图中的各类型节点进行初始化表示;

S02:事件的局部时序特征提取:采用时序感知的自注意力机制挖掘事件内部的局部时序信息,得到具有时序信息的响应贴表示 再将具有时序信息的响应贴 融合到源贴的表示中得到事件的局部时序表征S03:事件的全局结构特征提取:计算参与事件ci中的特定用户uj在不同方面的注意力向量γj;用注意力向量γj与参与到事件ci中的所有用户以元素乘积方式进行聚合,以捕获事件与事件之间的全局结构关系;

S04:得到每个事件节点的局部时序表示和全局结构表示后,将两种特征进行拼接作为事件节点最终表示,经过全连接层和softmax函数计算该事件的预测结果,即该事件为各个标签的概率值 最后定义一个损失函数,不断更新模型参数得出最优值。

2.根据权利要求1所述的时序感知的异质图神经谣言检测模型,其特征在于,所述步骤S01具体包括:S11:首先将事件以及相关用户抽象为网络中两种不同类型的节点,并根据用户对事件的参与情况,即用户对事件中的帖子存在转发或评论的行为,建立用户节点与事件节点的连边关系;并且,在每个事件内部又包含一条源贴和一系列响应贴;根据响应贴在源贴发布后的时间延迟,将响应贴构建为时间序列,这样每条源贴就对应一个响应序列;最终构建为具有时序信息的事件‑用户异质图;

S12:对异质图中的各节点进行初始化表示,具体步骤包括:

S12‑1:对事件节点进行初始化表示:采用词向量的方式初始化,并利用CNN对其进行编码;具体而言,固定每个帖子的单词数量为L个,当单词数量小于L时,用0填充;当单词数量超过L时,则截断;接着通过Word2Vec算法在语料库上进行训练,得到每个单词的向量表示,对于预训练词向量库中没有出现的单词,使用均匀分布进行初始化,并且保持词向量在训练过程中允许微调;记每个单词的初始向量为 j表示帖子中的第j个单词,则每条单词数量为L的帖子表示为:x1:L=[x1;x2;...xL],

其中,“;”为拼接操作,

进一步地,利用CNN对句子序列进行编码:给定一个由单词向量组成的句子序列x1:L,通过CNN的卷积层对每个可能的窗口做一维卷积操作:ei=σ(W*xi:i+h‑1),

得到特征图 其中, 是大小为h的卷积核;然后利用

最大池化操作 选择每个特征图的最大值,再通过拼接操作得到每个帖子的初始化向量表示;对于第i个事件而言,其源贴表示为 每条响应贴表示为 将该事件中响应贴组成的矩阵记为S12‑2:对用户节点进行初始化表示:对用户的属性信息,包括性别、年龄、粉丝数、关注数,进行编码,得到用户节点的初始化向量表示,对于获取不到的用户信息,通过正态分布进行初始化。

3.根据权利要求1所述的时序感知的异质图神经谣言检测模型,其特征在于,所述步骤S02具体包括:S21:采用时序感知的自注意力机制挖掘事件内部的局部时序信息,捕获谣言事件与非谣言事件在不同时间阶段产生的响应贴的差异以及响应贴之间潜在的时序依赖关系;

S21‑1:为了编码每条响应贴的时延信息,使用Transformer模型中的位置编码公式为每条响应贴生成一个位置嵌入:其中,pos表示响应贴在序列中的位置,d表示PE的维度,2k表示偶数的维度,2k+1表示奇数维度,即2k≤d,2k+1≤d;

S21‑2:将每条响应贴的嵌入与其对应的位置嵌入相关联,以捕获响应贴之间的时序信息:S21‑3:利用多头注意力机制对重要的响应贴进行重点关注:

S22:将具有时序信息的响应贴融合到源贴的表示中,得到事件的局部时序表征 将一系列响应贴视为对应源贴的一阶邻居节点,并采用图注意力网络中的聚合函数进行融合,具体计算如下:T

αii=softmax(LeakyReLU(a[mi;mi])),其中, 为sigmoid激活函数,αii、αij分别表示节点i与自身以及节点i与节点j之间的注意力分数,N(mi)为节点i的邻居节点,即当前源贴对应的所有响应贴,为该层节点特征变换的权重参数。

4.根据权利要求1所述的时序感知的异质图神经谣言检测模型,其特征在于,所述步骤S03具体包括:S31:基于共同用户而建立的事件与事件之间的全局结构关系,具体过程如下:对于参与到事件ci中的特定用户 计算用户uj在不同方面的注意力向量γj:γj=tanh(Wc·uj+b),

其中, 为特征变换矩阵, 是不同方面的注意力向量; 越大,表

示用户嵌入uj的第k个方面对消息传播的影响越大;

S32:用注意力向量γj与参与到事件ci中的所有用户以元素乘积方式进行聚合,以捕获事件与事件之间的全局结构关系:

5.根据权利要求1所述的时序感知的异质图神经谣言检测模型,其特征在于,所述步骤S04具体包括:S41:将事件的局部时序表示与全局结构表示进行拼接作为事件节点最终表示,并经过全连接层和softmax函数计算该事件的预测结果,即该事件为各个标签的概率值:其中,Fc(·)为全连接层,输出的维度与分类的类别一致;

S42:最后,将模型的损失函数定义为预测结果与真实标签之间的交叉熵:其中,r为分类的类别数,θ为整个模型的参数,yi∈{0,1,2,3}(Twitter),yi∈{0,1}(Weibo)为真实的标签值。