[发明专利]一种基于用户特征的退火注意力谣言鉴别方法及装置

说明书

本发明涉及一种针对在线社交网络中谣言的检测方法，属于社交网络安全技术领域，具体涉及一种基于用户特征的退火注意力谣言鉴别方法及装置。该方法及装置采用公开的社交网络平台谣言鉴定数据集，利用谣言传播周期内社交网络用户特征，提出了一种基于参数化退火函数的方法用于社交网络用户特征的时序注意力学习，使用多层感知机进行特征间注意力学习以及高级表示提取，使用全连接神经网络进行谣言鉴别分类，并验证了本方法在真实世界数据集上的可行性。

技术领域

本发明涉及一种针对在线社交网络中谣言的检测方法，属于社交网络安全技术领域，具体涉及一种基于用户特征的退火注意力谣言鉴别模型。

背景技术

随着互联网和各种社交应用的普及，在线社交网络已成为日常生活中必不可少的信息来源平台。组织以及个人可以在这样的在线社交网络中自由发布信息，与他人交流、讨论。在线社交网络为人们共享信息带来了便利，也为谣言传播带来了有利的条件。恶意的个人或组织为了不同的目的散布谣言，造成各种不良后果，如政治操纵、经济损失、社会恐慌等。因此，尽早发现谣言以阻止谣言传播是至关重要的。

现有的研究主要利用内容特征、传播结构特征和用户特征，基于传统机器学习模型和基于深度学习的端到端模型来检测谣言。基于传统机器学习模型的方法常使用人工定义的统计特征，包括事件传播过程中评论及转发的内容特征，评论及转发关系构成的传播结构特征，参与评论及转发的用户自身特征。使用的传统机器学习模型包括隐马尔可夫模型、支持向量机模型、决策树模型、条件随机场模型等。此类方法在特征工程上需要花费大量人力，模型效率低下且效果不佳。基于深度学习模型的方法利用内容特征、传播结构特征、用户特征训练端到端模型。此类方法主要关注文本内容特征，将谣言数据建模为时间序列、树、图，并结合递归神经网络、卷积神经网络、图神经网络等方法鉴别谣言，但是其对于用户特征、传播结构特征信息的利用过于简单，且在谣言传播早期鉴别效果不佳。

基于深度学习的端到端模型常利用注意力机制来捕获使用的数据特征中重要程度差异。其通过学习数据的分布来训练参数，给予数据不同权重，但目前的有关方法多用于文本内容特征，且缺乏对早期特征的倾向性。而常用于启发式算法的退火函数的特性在于，随时间增加，其函数取值相对减少。利用退火函数的性质构造基于参数化退火函数的退火注意力机制，能在学习数据特征中时序重要性差异的同时，增加对早期特征的倾向性。

总而言之，当前的自动谣言鉴别方法仍面临许多挑战。第一，现有的谣言鉴别模型往往关注文本内容信息，对于用户特征、传播结构特征信息的利用过于简单，而在谣言传播早期，文本信息、传播结构信息相对匮乏，导致早期谣言鉴别效果不佳；第二，谣言传播过程中文本内容可以随意修改、操控，且往往真假参半，传播谣言的组织或个人可能通过适当修改来规避谣言鉴别，对于主要关注文本特征的模型有效性具有极大影响；第三，已有研究表明，谣言传播早期信息在谣言鉴别中价值更高，现有方法缺乏对这一点的有效利用。

发明内容

本发明主要是解决上述的传统机器学习模型人工需求高，端到端方法关注文本内容特征，对用户特征的利用过于简单，早期谣言鉴别效果不佳的问题，提供了一种基于用户特征的退火注意力谣言鉴别方法及装置。该方法及装置通过提取参与事件传播的用户自身特征，提出一种退火注意力机制提取利用数据的特征间注意力、时序注意力关系，本发明基于用户特征、利用参数化退火函数构造的退火注意力机制，能够在学习特征的时序差异的同时对于早期的特征给予相对更大权重。结合对特征间差异的权重学习，退火注意力机制能够关注更为有效的用户特征模式，从而更高效地鉴别谣言。并通过对真实世界的谣言数据集进行分类验证了其具有良好的表现。

本发明的上述技术问题主要是通过下述技术方案得以解决的：一种基于用户特征的退火注意力谣言鉴别方法，包括：

步骤1，数据预处理；

步骤2，基于退火注意力机制的特征间注意力权重学习和时序注意力权重学习；