[发明专利]基于动态表达学习的不实信息检测方法和装置

权利要求书

1.一种基于动态表达学习的不实信息检测方法，包括以下步骤：

获取待检测信息；

利用预先建立的检测模型对所述待检测信息进行检测；

输出检测结果；

其中，检测模型如下建立：

步骤S1，首先建模联合表示用户信息和该用户行为信息的某一事件的动态行为表达式；用户信息包含用户的特征和用户可信度，行为信息包含行为类型；

步骤S2，一个事件由不同信息组成，结合步骤S1中的所述动态行为表达式，最终得出事件可信度检测表达式；

步骤S3，运用时间特征矩阵来取得在信息传播过程中用户动态行为特征连

步骤S4，生成用户特征表达；

步骤S5，利用配对学习法估算检测模型参数。

2.根据权利要求1所述的方法，其特征在于，所述信息为微博信息；所述用户信息包括用户的特征和用户可信度，所述用户的特征包括用户性别、微博关注人数和被关注的人数；用户可信度的数值越大，表示用户越可信；行为信息包括原发微博或转发微博。

3.根据权利要求1所述的方法，其特征在于，所述动态行为表达式如下表示：

$R_j^{e_i}=T_{t_j}^{e_i}{C}_{b_j}^{e_i}{B}_{b_j}^{e_i}{U}_{u_j}^{e_i},$

其中，代表第i个事件e_i中的第j条微博中的用户的向量表示；R^d表示d维实数空间；是用户行为的隐含矩阵表示；是评论的矩阵表达，是时间间隔的矩阵表达。

4.根据权利要求1所述的方法，其特征在于，事件可信度检测表达式如下所示：

$y^{ei}=W^T{R}^{e_i}$

其中，表示事件e_i的可信度，W∈R^d是预测函数的线性权重，表示事件e_i的表达式。

5.根据权利要求1所述的方法，其特征在于，在步骤S3中，将连续时间段分割成不同的时间间隔，根据log₂来划分时间间隔，并且只学习上边界和下边界相对应的时间间隔，而对于在一个时间间隔的某一个时刻，其时间特征矩阵(一种转移矩阵)通过非线性插值法计算得出。