[发明专利]一种基于情感分析的谣言检测方法、装置及相关介质

说明书

本发明公开了一种基于情感分析的谣言检测方法、装置及相关介质，该方法包括：获取待检测谣言的评论文本，通过情感字典在所述评论文本中提取所述评论文本的情感特征；利用Bi‑GRU网络对所述情感特征分别进行前向学习和后向学习，得到所述评论文本的评论情感特征表示；获取一谣言文本，并利用Bi‑GRU网络对所述谣言文本分别进行前向学习和后向学习，得到所述谣言文本的谣言特征表示；通过协同注意力机制对所述评论情感特征表示和谣言特征表示进行相关性学习，并根据相关性学习结果对所述评论文本进行谣言检测。本发明通过对评论情感特征表示和谣言特征表示进行相关性学习，从而以情感角度对于产生合理的解释，以此提高谣言检测精度。

技术领域

本发明涉及计算机软件技术领域，特别涉及一种基于情感分析的谣言检测方法、装置及相关介质。

背景技术

谣言检测通常分为基于谣言内容、基于社会上下文以及混合特征的方法。谣言内容可以分为文本和视觉两个方面，文本方面指根据谣言的语言风格、写作风格等提取文本特征。基于语言风格的方法通过捕捉写作风格的差异来检测谣言，因为谣言往往更喜欢大写的词，更合适名词。现有技术中心，通过分析假新闻网的数据集，发现人们通过社交媒体帖子来表达他们对假新闻的情绪或观点，真实新闻的中立回复比积极和消极回复的比例更大。在FakeNewsNet(虚假新闻数据集)上统计发现，假新闻下评论的情绪极性大于真实新闻下的。因此，将用户的潜在情感整合到一个端到端深度嵌入框架中，以检测假新闻。并使用三个神经网络来处理新闻图像、新闻文本和用户配置文件，而引入了对抗机制来保持语义相似性，并加强文本和图像之间的表示一致性。最后，对用户的情感进行建模，将其整合到提议的框架中。这项工作的一个新颖之处是使用对抗性学习来发现新闻内容中不同模式之间的语义相关性。由此产生的假新闻检测系统优于其他经典的和基于深度学习的分类器。上述实验表明，情感分析对系统性能的影响最大。此外，视觉特征可以从视频或图片中提取特征。

基于社会上下文的检测方法一般可以分为基于用户的和基于网络的。基于用户的方法是根据谣言发布者和转发用户的特点进行建模。特征主要包括用户性别、粉丝数、用户配置。基于网络的方法通过社交网络中的转发或关注结构的特征进行谣言检测。包括一种树形循环神经网络，用于学习谣言传播结构的嵌入，以及利用双向图神经网络模型，学习嵌入谣言传播。

基于混合特征的方法往往融合多模态或者多重特征进行谣言检测。即利用共同注意力机制学习谣言与评论之间相关性，并使用共同注意机制提供解释。还存在一个基于图感知协同注意力网络模型(Graph-aware Co-Attention Networks)，分别利用谣言文本、转发用户序列以及用户的交互特征进行谣言检测，利用两次协同注意力机制通过突出可疑的转发者以及他们关注的话语来生成解释。同时，现有技术还认为现有的关于谣言检测的研究大多是基于发布者所传达的内容的情感特征，而很少关注在人群中引起的情绪，即评论的情感特征，通过情感词典了解发布者情感、社会情感和情感代沟，作为假新闻检测器的补充特征，取得了很好的效果。现有技术还认为谣言检测往往需要复杂的推理能力，故提出了一种具有人类信息处理能力的细粒度推理模型，不仅能更好地反映人类思维的逻辑过程，还能实现对微妙线索的细粒度建模来提高准确性和可解释性。

综合来看，在当前的现有技术中，在提高谣言检测准确率的同时，并能够解释一条谣言“为什么”被检测为谣言，但是在已有的可解释谣言检测模型中，忽视了从情感角度进行可解释谣言检测这一问题。

发明内容

本发明实施例提供了一种基于情感分析的谣言检测方法、装置、计算机设备及存储介质，旨在结合情感分析提高谣言检测精度。

第一方面，本发明实施例提供了一种基于情感分析的谣言检测方法，包括：

获取待检测谣言的评论文本，通过情感字典在所述评论文本中提取所述评论文本的情感特征；

利用Bi-GRU网络对所述情感特征分别进行前向学习和后向学习，得到所述评论文本的评论情感特征表示；