[发明专利]基于多指针协同注意力的谣言检测方法及装置

说明书

本发明提供了一种基于多指针协同注意力的谣言检测方法及装置，方法包括，将新闻内容和用户评论的每个单词进行建模，从而得到新闻内容的句子向量及用户评论的句子向量，并根据两者的相关性筛选出多个相关性最高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，最后将新闻内容和用户评论的输出向量输入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。本发明的有益效果在于：能够直接筛选出具体的关于新闻内容真实性的可解释的信息。

技术领域

本发明涉及谣言检测技术领域，尤其是指一种基于多指针协同注意力的谣言检测方法及装置。

背景技术

随着互联网技术的飞速发展，人们获取和分享信息的方式发生了变革式的改变，社交媒体已经成为人们获取信息和分享信息的重要载体，成为我们生活中的重要组成部分。给人们生活带来巨大方便的同时，也带来了诸多的安全隐患，社交媒体中假新闻的滋生和传播，破坏了网络环境的良性发展，给社会、文化、经济等带来严重的影响。从新冠肺炎开始，大量的假新闻已经在社交和网络数字媒体上传播，引起了各国政府和社会群体的空前关切和担忧。有效检测谣言和扼制谣言的传播有助于社会的安定和健康发展，具有较大的现实意义。

根据特征谣言检测通常可分为基于谣言内容、基于用户、基于帖子、基于传播模型以及混合特征等方法。谣言内容特征可以分为文本和视觉两个方面，文本特征主要是指语言风格、写作风格和以及情感等。在现有的基于文本的谣言检测模型中，新闻内容或用户评论一直被认为是谣言检测的重要特征。通过挖掘谣言文本与用户评论之间的关系进行谣言检测，一直以来作为谣言检测的重要方向。现有的模型大多利用用户评论作为新闻内容的补充信息，通过深度学习方法提取语义特征进行谣言检测，忽略了用户评论中的“杂音”，导致分类准确率低。

近年来，不少学者开始研究可解释性的假新闻检测，根据新闻文本和用户评论以及转发行为的相关性提取特征进行谣言检测，取得较好的结果。Shu等人提出基于谣言句子与评论的协同注意力机制(Co-Attention)的可解释谣言检测模型，实现了可解释谣言检测模型，但需要原文章的长文本以且不能选择具体的评论。Lu等人提出一个基于图感知协同注意力网络模型(Graph-aware Co-Attention Networks)，分别利用谣言文本的嵌入特征、转发用户序列的特征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。但是上述两个模型都不能直接筛选出具体的可解释的信息。

发明内容

本发明所要解决的技术问题是：提供一种基于多指针协同注意力的谣言检测方法及装置。

为了解决上述技术问题，本发明采用的技术方案为：一种基于多指针协同注意力的谣言检测方法，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。