[发明专利]一种基于微博事件关系的谣言检测方法及其系统

权利要求书

1.一种基于微博事件关系的谣言检测方法，其特征在于，包括如下步骤：

步骤S1、构建微博数据集，所述微博数据集E＝{e₁,e₂,...,e_n}包括n个微博事件的文本信息以及用户行为信息；

步骤S2、对每个微博事件对应的文本信息进行预处理，然后再依次输入预训练模型以及卷积神经网络模型，得到每个微博事件的特征向量，在将微博数据集中所有微博事件的特征向量组合得到特征矩阵；

步骤S3、根据所述用户行为信息构建微博事件关系图，再通过微博事件关系图得到邻接矩阵；

步骤S4、将步骤S2得到的特征矩阵以及步骤S3得到的邻接矩阵输入图卷积神经网络模型来完成模型的训练，然后得到最终的谣言检测模型；

步骤S5、将微博事件输入步骤S4得到的谣言检测模型判断是否为谣言。

2.根据权利要求1所述的一种基于微博事件关系的谣言检测方法，其特征在于，所述步骤S2具体包括：

步骤S201、通过预处理除去微博事件e_i对应的文本信息中与内容无关的停用词；

步骤S202、将经过预处理后的文本信息作为输入，输入至预训练模型中得到向量v_i；

步骤S203、将向量v_i输入至卷积神经网络中得到特征向量p_i；

步骤S204、重复步骤S201至步骤S203，得到微博数据集中所有微博事件的特征向量，并且将所述特征向量组合成特征矩阵X∈R^n×m，n表示微博事件数,m表示特征向量的维度。

3.根据权利要求2所述的一种基于微博事件关系的谣言检测方法，其特征在于，所述步骤S203具体包括：

步骤S2031、通过卷积层选取宽度与向量v_i维度等长的卷积核，使得卷积核始终保持在竖直方向滑动，进行对向量的卷积操作，得到与卷积核数量相同的特征向量c_i；

步骤S2032、再通过池化层对特征向量c_i进行最大池化操作，提取局部接受域中向量的最大值，得到特征向量p_i；

步骤S2033、通过全连接层对特征向量p_i和分类标签进行全连接操作，得到微博事件e_i的预测标签，并且保存特征向量p_i作为微博事件e_i的特征向量。

4.根据权利要求3所述的一种基于微博事件关系的谣言检测方法，其特征在于，所述步骤S3具体包括：

步骤S301、提取微博数据集中的用户行为信息，包括对每个微博事件进行评论或转发的用户ID；

步骤S302、根据步骤S301得到用户ID计算第i个微博事件与第j个微博事件之间相同的评论或转发的用户数量，并将其作为这两个微博事件的联系；

步骤S303、将微博数据集中的微博事件作为节点(N)，事件之间的联系作为连边(E)构建微博事件关系图G＝(N,E)，再通过所述微博事件关系图得到邻接矩阵A∈R^n×n；

在所述步骤S303中，根据第i个事件与第j个事件之间相同的评论者或转发者数量α，为A_ij赋予不同的权重，具体是：

5.根据权利要求4所述的一种基于微博事件关系的谣言检测方法，其特征在于，在所述步骤S4中，所述图卷积神经网络模型中的第i+1个隐藏层的特征矩阵H_i+1的表达式为：

公式中，ρ表示为激活函数，W_i∈R^m×k为图卷积神经网络模型第i层的权重矩阵，其中m表示当前层输入特征的维数，k表示当前层输出特征的维数，其中为图卷积神经网络模型中标准化对称邻接矩阵，A为邻接矩阵，D∈R^n×n为度矩阵，当i＝1时，其中X为图卷积神经网络模型输入的特征矩阵。

6.根据权利要求5所述的一种基于微博事件关系的谣言检测方法，其特征在于，所述预训练模型为BERT模型或者XLNET模型。