[发明专利]基于决策树与共同注意力协作的假新闻检测系统及方法

说明书

本发明公开了一种基于决策树与共同注意力协作的假新闻检测系统及方法，本发明从一个新角度，提供了一种传统透明的机器学习与神经网络模型相结合的方法，提出了一种基于决策树与共同注意力协作的可解释性假新闻检测方法，来透明地捕获有力的细粒度证据并通过这些证据来发掘假新闻的虚假部分。本发明不仅提高了假新闻检测性能，还提供了检测过程的透明性以及检测结果的可解释性。本发明为假新闻检测任务提出了一种透明的、可解释的方案，该方案将决策树模型合并到共同注意网络中，不仅可以提供可解释索赔验证的证据，同时通过判决条件对证据形成过程进行了解释。本发明具有可拆解性，可将本发明的两个模块解耦训练利用，具有模型泛化能力和任务阶段性训练能力。

【技术领域】

本发明属于电子信息技术领域，涉及一种基于决策树与共同注意力协作的假新闻检测系统及方法。

【背景技术】

社交媒体的日益普及给信息传播生态带来了前所未有的挑战，导致极端新闻、恶作剧、谣言、假新闻等大量虚假或未经证实的言论泛滥成灾。假新闻的肆虐严重影响了人们生活、社会稳定乃至国家安全。如何在网络环境中快速识别出待验证信息的真伪，且验证结果对用户透明且可解释，已成为目前亟需解决的重要问题之一。

假新闻检测的研究目前已经大致经历了两个研究阶段：第一个阶段是构建合适的深度模型围绕帖子或新闻的文本内容挖掘语义特征、情感特征、写作风格特征、立场特征等，以及围绕新闻的社会上下文来抽取基于来源的，基于帖子的，基于用户的，基于网络的可信度指示性特征来提高假新闻的检测性能。尽管这些方法体现了强大的有效性，但他们很难解释为什么被检测新闻是真实的还是虚假的。为克服这些弊端，最近研究的一个流行趋势(第二个阶段)是探索基于证据的解决方案，其聚焦于借助合理的神经网络模型从可靠的来源中捕获相关的证据片段来进行可解释性的假新闻检测。然而，尽管这种方法体现了一定的可解释性，但仍然存在一些限制：第一，他们很难解释新闻的证据发现过程，因为这种方法是神经网络模型，属于非透明的黑盒模型，缺乏方法本身的可解释性；第二，提供的证据是粗粒度的，通常是面向新闻的整条序列，缺乏对新闻序列中真正虚假部分的聚焦。

【发明内容】

本发明的目的在于解决现有技术中的问题，提供一种基于决策树与共同注意力协作的假新闻检测系统及方法，该方法不仅提高了假新闻检测性能，还提供了检测过程的透明性以及检测结果的可解释性。

为达到上述目的，本发明采用以下技术方案予以实现：

基于决策树与共同注意力协作的假新闻检测系统，包括：

基于决策树的证据模型，用于将多种因素作为决策条件并选择高可信度评论作为证据；

共同注意力模型，用于使被选中的证据与待检测新闻进行深层语义交互；

任务学习模块，用于将深度语义交互信息输入到Softmax中进行概率分布的预测。

本发明还公开了一种基于决策树与共同注意力协作的假新闻检测方法，包括以下步骤：

步骤0：给定数量为N的数据集其中，x_i指一条待检测可信度的新闻，R_i为包含m条相关评论的集合R_i＝{R₁,R₂,…,R_m}，y_i表示真假二分类标签；

步骤1：构建基于层次性评论构建树形网络；

树形网络的根节点是该验证的新闻，第二层节点为用户对该新闻的直接评论R₁₁,R₁₂,…,R_kn；其中k和n分别表示树形网络的深度和最后一层的节点宽度，第三层及以下节点是按照现实情况下层次性评论中对评论的回复进行建立的；

步骤2：构建基于可信度视角的决策树来选择树形网络中具有高可信度的评论作为证据；其中，决策树中每个决策节点包括一个决策条件和两个决策边；