[发明专利]基于多指针协同注意力的谣言检测方法及装置

权利要求书

1.一种基于多指针协同注意力的谣言检测方法，其特征在于：包括步骤，

S10、将获取到的新闻内容通过双向GRU对新闻内容的每个单词进行建模，并通过注意力机制来学习新闻内容中每个句子的重要性，从而获得新闻内容的句子向量；

S20、将获取到的新闻内容的用户评论通过双向GRU对用户评论的每个单词进行建模，并通过注意力机制来学习用户评论中每个句子的重要性，从而获得用户评论的句子向量；

S30、在嵌入层中，根据用户评论的句子向量与新闻内容的句子向量之间的相关性，从用户评论数据库中选择多个相关性最高的用户评论的句子向量；

S40、将新闻内容的句子向量及筛选出来的用户评论的句子向量使用词级注意力机制进行建模，提取出新闻内容与用户评论的更细粒度的词级特征；

S50、根据新闻内容与用户评论的更细粒度的词级特征，运行多指针组合机制协同注意的模型，得到新闻内容和用户评论的输出向量；

S60、将新闻内容和用户评论的输出向量进行连接后，送进多层感知器及用于预测新闻真实性的softMax层，得到新闻真实性预测结果。

2.如权利要求1所述的基于多指针协同注意力的谣言检测方法，其特征在于：步骤S10中，将获取到的新闻内容通过双向GRU对新闻内容的每个单词进行建模中，用到的公式如下：

其中，为向前隐藏状态，为向后隐藏状态，n为新闻内容的单词数量，为每个单词，为前向上一个隐藏状态，为后向下一个隐藏状态，i为新闻中的单个句子，则词的特征表示为

通过注意力机制来学习用户评论中每个句子的重要性，从而获得用户评论的句子向量用到的计算公式如下：

其中，衡量第t个单词对新闻内容s的重要性，计算如下：

其中，是通过完全嵌入层从隐藏状态获得的隐藏表示，W_w，b_w是可训练的参数，为权重，表示第k个单词的隐藏状态。

3.如权利要求1所述的基于多指针协同注意力的谣言检测方法，其特征在于：步骤S20中，将获取到的新闻内容的用户评论通过双向GRU对用户评论的每个单词进行建模，用到的公式如下：

其中，为向前隐藏状态，为向后隐藏状态，m为用户评论的单词数量，为用户评论中的每个词，为前向上一个隐藏状态，为后向上一个隐藏状态，j为用户评论中的单个评论，为单词的注释，则词的特征表示为

通过注意力机制来学习用户评论中每个句子的重要性，从而获得用户评论的句子向量，用到的公式如下：

其中衡量第t个单词对评论c^j的重要性，计算如下：

其中，是通过将隐藏状态馈送到完全嵌入层获得的隐藏表示，W_c，b_c是可训练的参数，为权重，表示第k个单词的隐藏状态。

4.如权利要求1所述的基于多指针协同注意力的谣言检测方法，其特征在于：步骤S30包括，

构建新闻内容的特征矩阵和用户评论的特征矩阵

计算亲和力矩阵如下，

X＝F(S)^TQF(C)

其中，是通过训练的权重矩阵,S为谣言文本矩阵，C为用户评论矩阵，X为亲和力矩阵，F(·)是一个带l层的前馈神经网络函数；

通过计算亲和度矩阵X的行和列的最大值，并用它们对原始的新闻内容和用户评论进行加权，得到多个相关性最高的用户评论的句子指针向量。

5.如权利要求1所述的基于多指针协同注意力的谣言检测方法，其特征在于：步骤S40包括，

计算和之间的相似度矩阵，计算亲和力矩阵Y如下：

其中，通过句子指针向量得到选择的新闻内容句子的特征矩阵和用户评论的特征矩阵是通过训练的权重矩阵，F(·)是一个带l层的前馈神经网络函数，对于指针的新闻内容的用户评论，使用相似度矩阵来计算协同注意的表示，其中使用均值池化，描述如下：

和

S(·)是标准的softmax函数，使用平均池和softmax函数直接实现词级协同注意机制得到的词级特征。