1.基于异构传播结构与动态特征融合的谣言检测方法,其特征在于,包括以下步骤:S1、构建预处理与综合特征提取模块:对社交网络数据进行预处理,针对预处理后的数据分别提取用户和帖子静态特征,并基于个时间窗口分别计算用户和帖子动态特征,融合静态和动态特征获得动态融合特征;
S2、构建异构交互图学习模块:通过动态融合特征构建异构图序列,利用异构图卷积网络对异构图序列进行卷积更新,输出异构图特征矩阵Hk;
S3、构建传播级联模块:首先构建有向传播树,利用图注意力网络GAT处理有向传播树,获得传播级联全局表征Pk;
S4、构建时空动态融合模块:基于步骤S2的异构图特征Hk和传播级联特征Pk进行深度融合,将不同时间窗口的异构图特征Hk和传播级联特征Pk进行融合,生成异构图表示和传播级联表示;
S5、构建基于多层感知机的谣言分类模型:将异构图表示和传播级联表示进行拼接获得最终表示,输入多层感知机的谣言分类模型,结合交叉熵损失函数,获得谣言或非谣言的预测结果。
2.根据权利要求1所述的基于异构传播结构与动态特征融合的谣言检测方法,其特征在于,步骤S1包括以下子步骤:S1.1、针对社交网络中的帖子内容,使用预训练BERT模型,通过下式获取帖子的静态特征:, ;
式中,表示帖子的静态特征,表示帖子的原始内容,表示预训练语言模型,用于将文本内容转化为向量嵌入;表示用户的原始属性信息,表示用于提取用户高维特征的预训练编码模型;
S1.2、将谣言传播周期划分为k个时间窗口,并且在每个时间窗口分别计算用户节点和帖子节点的动态特征,得到用户动态特征和帖子动态特征;
S1.3、对于各个时间窗口内每个用户和帖子,通过公式融合静态和动态特征,获得时间步长的动态融合特征,其中,表示向量拼接操作,表示第个时间窗口用户或帖子的动态融合特征,表示用户静态特征或帖子的静态特征,表示用户或帖子动态特征,,当i=u时表示用户节点,当i=p时表示帖子节点。
3.根据权利要求1所述的基于异构传播结构与动态特征融合的谣言检测方法,其特征在于,步骤S2包括以下子步骤:S2.1、通过动态融合特征构建异构图序列,其中代表第i个时间窗口的异构图快照,包括两类节点:用户节点和帖子节点;以及边关系:用户--用户、帖子--帖子和用户--帖子;
S2.2、采用异构图卷积网络进行异构关系感知,设引入关系感知传播算子,对不同类型的边关系分配可学习的注意力权重,通过公式:计算传播算子,聚合不同关系的邻居信息,输出异构图特征矩阵序列{ H1, H2,…, Hk.},、、分别表示归一化异构边矩阵对应的注意力权重参数。
4.根据权利要求1所述的基于异构传播结构与动态特征融合的谣言检测方法,其特征在于,步骤S3具体为:以源帖子为根节点,以转发/评论关系为边,构建有向传播树序列,利用图注意力网络GAT处理传播树,通过计算节点间的注意力系数,自动关注对谣言判别贡献大的关键传播路径,经过多层图注意力网络GAT聚合与池化操作,得到各个时间窗口的传播级联全局表征。
5.根据权利要求1所述的基于异构传播结构与动态特征融合的谣言检测方法,其特征在于,步骤S4中包括以下子步骤:S4.1、设置历史积累特征表示来作为前i个时间窗口的融合特征表示,当进行异构图特征融合时,令,在传播级联特征融合时,令,通过下式计算交叉注意力得分:;
其中,,分别代表查询矩阵、键矩阵和值矩阵,是键向量的维度,用于缩放点积,是归一化函数;Qα 是第k个时间窗口的异构图特征表示或传播级联表征与Wq相乘得到的查询矩阵Q,和是第k-1个时间窗口的历史积累特征表示分别与Wk和Wv相乘得到的键矩阵K和值矩阵V,Wq、Wk、Wv表示线性映射权重矩阵;
S4.2、将时间窗口k的特征向量或作为Q,将第k-1个时间窗口得到的历史积累特征向量作为K和V,识别贯穿时间窗口的关键交互模式,得到最终异构图表示和传播级联表示。
6.根据权利要求1所述的基于异构传播结构与动态特征融合的谣言检测方法,其特征在于,步骤S5中,通过下式获取最终表示:,
其中,表示拼接操作。
7.根据权利要求1所述的基于异构传播结构与动态特征融合的谣言检测方法,其特征在于,步骤S5中,交叉熵损失函数公式如下式:,
式中, 表示真实标签,表示预测标签,N表示样本数量,log()表示自然对数运算。
8.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述方法的步骤。