[发明专利]一种基于线性和非线性传播的谣言检测方法

说明书

本发明涉及一种基于线性和非线性传播的谣言检测方法，属于自然语言理解技术领域。本方法利用文本内容和时间信息对谣言节点进行统一建模表示，将线性与非线性传播特性相结合的方式，自动进行谣言检测。首先，使用谣言节点中所包含的文本信息和时间信息对其混合特征进行联合表示。然后，分别沿线性时间序列和非线性扩散结构聚合节点信息，增强源节点的表达，形成最终的传播表示。最后，用传播表示进行真实性标签预测。本方法从两个不同的角度提取谣言的节点特征，不仅从非线性的扩散模式中获取树感知的表示，而且还从线性的时序相互作用中捕捉传播序列的特性，能够对谣言的真实性进行准确预测。

技术领域

本发明涉及一种基于线性和非线性传播的谣言检测方法，属于自然语言理解技术领域。

背景技术

随着网络技术的迅速发展，大量的虚假信息在社交媒体平台上变得无处不在，对社会带来了许多不良的影响。谣言检测，旨在对社交网络中传播的信息进行甄别，以检测出哪些信息是谣言。

谣言的传播是一种复杂多变的现象。在谣言传播过程中，除谣言本身，还会产生大量围绕在谣言周围的社会上下文信息。因此，同时从线性的时间序列和非线性的扩散结构两方面了解谣言的特征至关重要。非线性的扩散结构揭示了谣言在社交网络传播的路径，可以用来学习传播路径上的谣言节点之间的潜在交互。时间序列信息记录了用户参与传播的时间戳，可以用来探究谣言在社交媒体上传播的时序特性，以及社会对谣言的反应如何随时间而变化。

目前，研究人员提出了一些基于谣言扩散结构的检测方法，例如：基于树结构的递归神经网络和双向图卷积神经网络，Rosenfeld等人引入Weisfeiler-Lehman图核来推导谣言级联的拓扑表示，但其忽略了谣言的文本特征。此外，还有一些基于序列机制的方法，其目的是根据谣言随时间的传播来学习序列特征。Ma等人引入循环神经网络来捕捉相关的帖子中上下文信息随时间的变化。Khoo等人为了克服树模型的一些局限性，提出了一种层次化的单词和帖子级别的注意力模型，该模型通过扁平化树结构和按时间顺序排列所有帖子来克服树模型的局限性。

虽然现有的方法在谣言检测任务上取得了一些成效，但是，为了更加系统地聚合谣言各个方面的特征，使检测模型更加稳定和准确，还需要从以下几个方面进一步考虑：

1.在谣言的传播节点中，往往包含着可以验证谣言真实性的指示性线索。由于谣言是出于某种不正当的目的而不是为了报道一个客观事件，所以它们往往含有指向性或煽动性的语言。因此，可以通过识别源节点文本内容中潜在的语言特征来预测谣言的真实性标签。

2.社会上下文信息表示了社会参与谣言传播的变化，它包含了各种各样的辅助信息，可以用来推断谣言的真实性。

3.当消息沿着时间线传播的同时，用户之间的交互(如：转发和评论)构建了一个传播树。也就是说，在谣言传播的形成过程中，必须同时考虑序列模式和结构交互。

因此，为了增进对谣言传播特性的了解并预测其真实性，必须在传播线程中对节点表示进行建模，并准确地捕获源节点与其他传播节点之间的相互作用关系。

发明内容

本发明的目的是为了克服现有的谣言检测方法仅从单一方面对传播特征进行表示进行检测的技术缺陷，创造性地提出一种基于线性和非线性传播的谣言检测方法，能够对谣言的真实性进行准确预测。

本方法的创新点在于：利用文本内容和时间信息对谣言节点进行统一建模表示，首次将线性与非线性传播特性相结合的方式，自动进行谣言检测。

本发明采用的主要技术手段为：首先，使用谣言节点中所包含的文本信息和时间信息对其混合特征进行联合表示。然后，分别沿线性时间序列和非线性扩散结构聚合节点信息，增强源节点的表达，形成最终的传播表示。最后，用传播表示进行真实性标签预测。

本发明是基于以下技术方案实现的。

一种基于线性和非线性传播的谣言检测方法，包括如下步骤：