[发明专利]一种基于特征融合模型的虚假新闻检测方法

说明书

本发明公开了一种基于特征融合模型的虚假新闻检测方法，包括以下步骤：步骤1：获取待检测的新闻数据；步骤2：将获取到的新闻数据进行预处理，得到文本向量；步骤3：将文本向量输入至局部语义子网络模型中，得到新闻文本局部语义特征；步骤4：将文本向量输入至上下文语义子网络模型中，得到新闻文本上下文语义特征；步骤5：采用TF‑IDF算法提取新闻标题的关键词，获取新闻标题的关键词特征；步骤6：将新闻文本局部语义特征、新闻文本上下文语义特征以及新闻标题的关键词特征进行融合，得到待检测的新闻数据的融合文本表示；步骤7：将融合文本表示输入至分类器中对待检测的新闻数据进行分类，得到检测结果。

技术领域

本发明属于数据检测领域，具体涉及一种基于特征融合模型的虚假新闻检测方法。

背景技术

在社交媒体广泛应用、自媒体新闻日益增多的背景下，做到及时有效地谣言自动检测具有非常重要的应用价值和研究意义。现有的虚假新闻检测方法主要分为两大类：基于机器学习的虚假新闻检测方法和基于深度学习的虚假新闻检测方法。

基于机器学习的虚假新闻检测方法侧重于手工特征的提取，主要有三个方面的特征：内容特征、用户特征、传播特征。内容特征主要包括文本长度、情感倾向、主题、Url、tag等，用户特征主要包括粉丝数、关注数、是否认证、性别等，传播特征主要包括转发、评论结构、消息传播网络等。但机器学习方法的特征提取过程存在数据稀疏性和维数爆炸等问题，降低了模型的泛化能力。

基于深度学习的虚假新闻检测方法能自动的学习虚假新闻数据的特征表示，比如虚假新闻文本中特定的语义风格特征，之后将学习到的特征表示输入神经网络分类器中对新闻的可信度做判断。但是现有的方法还是存在很多的不足，例如：CNN可以提取文本的局部特征而忽略了文本上下文之间的联系，RNN可以提取文本的上下文语义特征而对于提取文本局部特征不足。

因此如何高效、准确地检测出虚假新闻具有十分重要的现实意义及价值。

发明内容

发明目的：为解决现有虚假新闻检测方法中存在的不足，本发明提出了一种基于特征融合模型的虚假新闻检测方法。

为实现上述目的，本发明通过以下技术方案来实现：一种基于特征融合模型的虚假新闻检测方法，包括以下步骤：

步骤1：获取待检测的新闻数据，所述新闻数据包括新闻文本以及新闻标题；

步骤2：将获取到的新闻数据进行预处理，依次包括分词操作、去停用词操作和文本向量化表示，最终得到文本向量；其中，对中文新闻文本数据进行分词以及去停用词操作，产生合适大小的词库；以及通过文本向量化表示，实现将文本的高维稀疏表示转变成低纬稠密的文本表示形式；

步骤3：将步骤2得到的文本向量输入至局部语义子网络模型中，得到新闻文本局部语义特征；

步骤4：将步骤2得到的文本向量输入至上下文语义子网络模型中，得到新闻文本上下文语义特征；

步骤5：采用TF-IDF算法提取新闻标题的关键词，获取新闻标题的关键词特征，实现对短文本语义增强；

步骤6：将新闻文本局部语义特征、新闻文本上下文语义特征以及新闻标题的关键词特征进行融合，得到待检测的新闻数据的融合文本表示；

步骤7：将融合文本表示输入至分类器中对待检测的新闻数据进行分类，得到检测结果。

针对短文本字数较少、篇幅较短导致存在语义缺失的问题，采用步骤3至步骤5的特征提取步骤，完成对新闻文本以及新闻标题中特征的提取，实现对短文本语义增强。

进一步的，步骤2中，采用结巴分词工具以及停用词表分别完成对待检测的新闻数据的分词操作和去停用词操作。

进一步的，步骤2中，采用word2vec模型对经分词操作和去停用词操作后的文本进行文本向量化表示。