基于层级动态图卷积网络的谣言检测方法及系统技术方案

本发明专利技术提出了基于层级动态图卷积网络的谣言检测方法及系统，包括：根据谣言在传播过程中的层次化信息构建待检测事件的多个层级的快照图；基于图表征学习每个层级快照图中节点的深层语义，得到每个层级的传播图和散布图；基于层级动态图卷积网络分别对每个层级的传播图和散布图进行特征提取，得到每个层级的图的特征表示；将每个层级的图的特征表示分别进行全局图池化操作后拼接得到每个层级的全局向量表征；将多个层级的全局向量表征进行拼接得到待检测事件的谣言综合特征表示。本发明专利技术提出了基于层级动态图卷积网络，考虑谣言传播过程中的动态性以及不同谣言的差异性设置层级动态传播图，有效捕获谣言在传播过程中的多级表征。级表征。级表征。

【技术实现步骤摘要】
基于层级动态图卷积网络的谣言检测方法及系统


[0001]本专利技术属于谣言检测
，尤其涉及基于层级动态图卷积网络的谣言检测方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]社交媒体平台的发展极大地促进了信息的传播，一方面为互联网的网民拓展了解信息的渠道，另一方面会导致未经证实事件的传播，即互联网谣言。专家提出，互联网上的谣言是有意写成的、并且是以一种让它看起来真实的方式创造出来的。如果进行早期的谣言检测工作，需要大量人力，因为谣言在社交媒体平台上的传播速度可能比验证消息的速度更快。由于互联网中充斥大量谣言严重扰乱了正常的社会舆论与部分事件的发展，对社会带来了严重的危害，因此社交媒体的谣言检测是亟待解决的任务。
[0004]近年来，图表示学习方法因为能够在分类任务中取得优势，因此也被广泛应用到社交媒体谣言检测任务中，部分研究者构建社交媒体谣言传播图，通过GCN有效聚合邻域节点的信息，捕获有利于谣言检测的关键特征。这些工作虽然能够有效利用图表示学习方法，但是忽略了谣言传播的动态性，谣言传播的不同时期获取到的信息数量与质量存在显著差异，这种差异会对谣言的真实性鉴别产生显著影响：在谣言传播的初期，转发评论数量虽然较少，但是评论内容与主题都以原始内容为主；随着消息的散布，评论数量逐渐增多，用户对事件的评论趋于多元化，也包含大量针对原始新闻的间接性评论，因此传播图中的消息量更为广泛，内容也更加丰富。为呈现新闻传播的动态性，突出新闻传播与散布的全过程，现有方法建模谣言传播动态图，利用图卷积神经网络分别捕获动态图中的传播特征，然而，现有方法只考虑到了根据时间间隔设置固定数量的传播图快照，以体现谣言在传播过程中的动态性，忽略了信息的层级间的传递以及不同新闻之间差异性，导致在信息获取时缺乏层次。

技术实现思路

[0005]为克服上述现有技术的不足，本专利技术提供了基于层级动态图卷积网络的谣言检测方法及系统。
[0006]为实现上述目的，本专利技术的一个或多个实施例提供了如下技术方案：
[0007]本专利技术第一方面提供了基于层级动态图卷积网络的谣言检测方法，包括：
[0008]根据谣言在传播过程中的层次化信息构建待检测事件的多个层级的快照图；
[0009]基于图表征学习每个层级快照图中节点的深层语义，得到每个层级的传播图和散布图；
[0010]基于层级动态图卷积网络分别对每个层级的传播图和散布图进行特征提取，得到每个层级的传播图和散布图的特征表示；
[0011]将每个层级的传播图和散布图的特征表示分别进行全局图池化操作后拼接得到每个层级的全局向量表征；
[0012]基于将多个层级的全局向量表征进行拼接得到待检测事件的谣言检测结果。
[0013]本专利技术第二方面提供了基于层级动态图卷积网络的谣言检测系统，包括：
[0014]快照图构建模块，被配置为：根据谣言在传播过程中的层次化信息构建待检测事件的多个层级的快照图；
[0015]快照图学习模块，被配置为：基于图表征学习每个层级快照图中节点的深层语义，得到每个层级的传播图和散布图；
[0016]特征提取模块，被配置为：基于层级动态图卷积网络分别对每个层级的传播图和散布图进行特征提取，得到每个层级的传播图和散布图的特征表示；
[0017]全局向量表征获取模块，被配置为：将每个层级的传播图和散布图的特征表示分别进行全局图池化操作后拼接得到每个层级的全局向量表征；
[0018]多层级拼接模块，被配置为：基于将多个层级的全局向量表征进行拼接得到待检测事件的谣言检测结果。
[0019]本专利技术第三方面提供了计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本专利技术第一方面所述的基于层级动态图卷积网络的谣言检测方法中的步骤。
[0020]本专利技术第四方面提供了电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本专利技术第一方面所述的基于层级动态图卷积网络的谣言检测方法中的步骤。
[0021]以上一个或多个技术方案存在以下有益效果：
[0022](1)本专利技术为更好表达谣言传播的动态性，提出了基于层级动态图卷积网络，在图表示学习中设置层级图快照，能够学习到谣言在传播过程中的层次化信息，为了突出不同事件在社交媒体传播的差异性，与以往的研究不同，针对每一条新闻设置不同的快照数目，来突出不同新闻的差异性，同时考虑谣言的传播和散布特征，每一个快照图包含了双向传播结构。
[0023](2)本专利技术提出一种新型的特征增强策略，利用基于注意力的图池化操作，将池化后淘汰的信息替换为原始帖子，在下一层图卷积中让评论信息与原始帖子的进一步交互，去除了双向传播中的冗余信息并增加节点之间的交互。
[0024](3)为了保证全局信息的质量，本专利技术对于每一张动态传播图使用全局图池化获取当前时刻的表征，使用多头注意力调整全局信息的权重获取到用于谣言检测的最终向量表示，在最终的检测结果中取得了较高的检测精度。
[0025]本专利技术附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0026]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0027]图1为第一个实施例中基于层级动态图卷积网络的谣言检测方法流程图。
[0028]图2(a)、图2(b)和图2(c)分别为第一个实施例中不同层级的谣言传播的动态快照
图。
[0029]图3为第一个实施例中层级动态图卷积网络细节图。
[0030]图4(a)、图4(b)分别为第一个实施例中在不同数据集上的实验结果对比图。
[0031]图5(a)、图5(b)、图5(c)、图5(d)分别为第一个实施例中在不同数据集上的谣言早期检测能力对比图。
具体实施方式
[0032]实施例一
[0033]如图1所示，本实施例公开了一种基于层级动态图卷积网络的谣言检测方法，包括：
[0034]步骤1、根据谣言在传播过程中的层次化信息构建待检测事件的多个层级的快照图；
[0035]步骤2、基于图表征学习每个层级快照图中节点的深层语义，得到每个层级的传播图和散布图；
[0036]步骤3、基于层级动态图卷积网络分别对每个层级的传播图和散布图进行特征提取，得到每个层级的传播图和散布图的特征表示；
[0037]步骤4、将每个层级的传播图和散布图的特征表示分别进行全局图池化操作后拼接得到每个层级的全局向量表征；
[0038]步骤5、基于将多个层级的全局向量表征进行拼接得到待检测事件的谣言检测结果。
[0039]在步骤1中包括：
[0040]步骤101符号表示：
[0041]考虑到本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于层级动态图卷积网络的谣言检测方法，其特征在于，包括：根据谣言在传播过程中的层次化信息构建待检测事件的多个层级的快照图；基于图表征学习每个层级快照图中节点的深层语义，得到每个层级的传播图和散布图；基于层级动态图卷积网络分别对每个层级的传播图和散布图进行特征提取，得到每个层级的传播图和散布图的特征表示；将每个层级的传播图和散布图的特征表示分别进行全局图池化操作后拼接得到每个层级的全局向量表征；基于将多个层级的全局向量表征进行拼接得到待检测事件的谣言检测结果。2.如权利要求1所述的基于层级动态图卷积网络的谣言检测方法，其特征在于，所述构建待检测事件的多个层级的快照图包括：对于事件n
i
对应的所有层级的快照表示为其中，L表示当前事件n
i
完整图结构的层数，表示为事件n
i
的第l层快照图，总快照图的数目为L
‑
1。3.如权利要求1所述的基于层级动态图卷积网络的谣言检测方法，其特征在于，所述基于层级动态图卷积网络分别对每个层级的传播图和散布图进行特征提取，得到每个层级的传播图和散布图的特征表示，包括：所述层级动态图卷积网络包括第一层图卷积层和第二层图卷积层；分别将每个层级的传播图和散布图输入至第一层图卷积层，得到图的特征向量；基于注意力机制的图池化操作对第一层图卷积层的输出进行处理，得到筛选后的图的特征向量；基于根节点特征增强策略对所述筛选后的图的特征向量进行处理，得到特征增强后的图的特征矩阵；将所述增强后的图的特征矩阵输入至第二层图卷积层，分别得到每个层级的传播图和散布图的特征表示。4.如权利要求3所述的基于层级动态图卷积网络的谣言检测方法，其特征在于，所述基于注意力机制的图池化操作对第一层图卷积层的输出进行处理，得到筛选后的图的特征向量，包括：将传播图输入至第一层图卷积层后的输出为：其中v1表示当前每一个节点的向量维度；通过图自注意力网络，得到输出为得到输出为其中：
其中，为节点i的所有邻居节点向量表征，表示为图自注意力网络中的参数矩阵，α
ij
表示节点i和邻居节点j之间的注意力...

【专利技术属性】
技术研发人员：孙涛，张祥，张子豪，尹新艳，
申请(专利权)人：齐鲁工业大学山东省科学院，
类型：发明
国别省市：