1.基于伪孪生网络的虚假新闻检测方法，其特征在于，该方法的模型主要包括特征提取器和匹配网络，该方法具体步骤如下：

1)对于输入的新闻数据，分别将文本数据和图像数据输入对应的特征提取器，获取文本和图像两个层次的特征；

2)将学习到的文本和图像特征作为匹配网络的输入，匹配网络把它们映射到一个新的目标空间中，使用一个匹配度量函数进一步衡量两个特征在语义上的匹配程度；

3)根据匹配网络的输出，进而预测新闻内容的真实性。

2.根据权利要求1所述的虚假新闻检测方法，其特征在于：将同一篇新闻中两种模态的数据作为匹配网络的两个输入，对于第i条新闻数据xi，其文本特征和图像特征分别用Ti和Pi来表示；用X＝{x1,x2,x3...xn}代表一个新闻集合，其中n是新闻的数量，每一条新闻数据xi由文本内容ti和图像内容pi构成，yi表示xi对应的新闻真实性标签，匹配网络根据新闻数据xi的文本内容ti和图像内容pi分析出xi是真实新闻或是虚假新闻的概率。

3.根据权利要求2所述的虚假新闻检测方法，其特征在于，特征提取器中的文本特征表示：每条新闻数据的文本内容ti是由m个词语构成的：t1＝{W1,W2,W3...Wm}，每个词语wi∈W使用词嵌入向量表示，每个词嵌入向量是由一个在大型语料库数据集上进行无监督预训练的深度神经网络获得，使用Glove获取词语的词嵌入表示；

使用BiLSTM来获取文本特征表示；BiLSTM在是LSTM的基础上结合了输入序列在前向和后向两个方上的信息；对于t时刻的输出，前向LSTM层具有输入序列中t时刻以及之前时刻的信息，而后向LSTM层中具有输入序列中t时刻以及之后时刻的信息；在第t时间BiLSTM执行的操作表达式如下：it＝σ(Wi·xt+Ui·ht‑1)

ft＝σ(Wf·xt+Uf·ht‑1)

ot＝σ(Wo·xt+Uo·ht‑1)

其中，Wi，Wf，Wo，Wc，Ui，Uf，Uo，Uc是权重矩阵；xt，ht是在t时间的输入状态和隐状态；σ是sigmoid函数， 表示按元素乘积；

最终的文本特征向量T，表示为t时刻隐状态的平均值：

其中，m是微博文本的长度。

4.根据权利要求3所述的虚假新闻检测方法，其特征在于：m＝75。

5.根据权利要求1所述的虚假新闻检测方法，其特征在于，特征提取器中的图像特征表示：在特征提取器中使用预训练的ResNet50来获取图像的特征；将预训练模型全连接层的最后一层替换，然后将输入图像Pi的大小调整为448×448并划分为14×14个区域；对于每一个区域Ij＝(j＝1,2，...，196)，都通过ResNet50模型来获取区域的特征向量Vj＝ResNet(Ij)；

将区域的特征向量进行平均得到图像的特征向量P：

其中，Nr代表区域的数量。

6.根据权利要求1所述的虚假新闻检测方法，其特征在于，匹配网络：匹配网络的目标是从数据中学习两个映射函数 和 这两个映射函数能够将输入的特征映射到一个新的目标空间，使目标空间中特征之间的欧氏距离与原空间中特征之间的“语义距离”相近，将其表示为：如果在目标空间中特征之间的距离小于设定的阈值ε，说明xi的文本内容与图像内容在语义上是高度匹配的，即说明xi的真实性较高，反之亦然；上述过程用公式表示为：其中，ε为超参数；

在模型训练过程中，通过最小化对比损失来优化匹配网络，对比损失函数的表达式如下：其中，n表示数据量， yi为新闻的标签。

7.根据权利要求6所述的虚假新闻检测方法，其特征在于：设定的阈值ε＝0.65。

8.根据权利要求6所述的虚假新闻检测方法，其特征在于：若yi＝0，di越大，则损失越大，即原本是真实新闻的样本，其映射后的文本特征与图像特征在特征空间中的欧氏距离较大，说明模型效果不好；同理，若yi＝1，di越大，则损失越小，说明模型效果越好。