【技术实现步骤摘要】
本专利技术设计计算机科学相关，尤其涉及基于大语言模型的公共卫生虚假信息处理方法。
技术介绍
1、在公共卫生领域中识别和处理虚假信息的技术主要包括以下几种：
2、1.基于规则的内容过滤系统：这种系统通过预设的关键词和模式匹配来识别虚假信息。例如，使用特定的虚假信息指示词(如“假治疗”、“神奇疗法”等)来筛选内容。这种方法的局限在于其固有的刚性和对新兴虚假信息形式的适应性差。
3、2.社交媒体监控和人工审核结合的方法：一些大型社交平台采用自动化工具与人工审核相结合的方式来识别和管理虚假信息。自动化工具负责初步筛选，人工审核则负责最终判断。这种方法虽然提高了处理的精确度，但在资源和时间上的消耗较大，难以应对大规模信息的快速流动。
技术实现思路
1、本专利技术的目的是为了至少解决现有技术的不足之一，提供基于大语言模型的公共卫生虚假信息处理方法。
2、为了实现上述目的，本专利技术采用以下的技术方案：
3、具体的，提出基于大语言模型的公共卫生虚假信息处理方法，包括以下：
4、步骤110、获取与公共卫生相关的图像格式的文本数据；
5、步骤120、对图像格式的所述文本数据进行信息预处理得到公共卫生事件的文本关联图像；
6、步骤130、获取来自所述信息处理模块所输入的所述文本关联图像，并对所述文本关联图像通过预构建的llm模型进行识别得到虚假信息识别结果；
7、其中，预构建的llm模型基于虚假信息传播模型
8、另外还设置有实时监控与响应机制，能够对发布公共卫生信息进行实时监控，并在检测到存在虚假信息时立即执行响应。
9、进一步，具体的，获取与公共卫生相关的图像格式的文本数据，包括，
10、从各种在线平台收集用户上传的与任意公共卫生事件相关多张文本数据图像，得到每个公共卫生事件所对应的文本数据图像集。
11、进一步，具体的，具体的，对图像格式的所述文本数据进行信息预处理得到公共卫生事件的文本关联图像，包括，
12、针对每个公共卫生事件所对应的文本数据图像集，定义所述文本数据图像集中第k个文本数据图像的图像矩阵为qk(k)，qk(k)中第hk行第lk列的像素点的像素值表示为qk(k，hk，lk)；
13、计算qk(k，hk，lk)与其邻域像素点之间的roi贡献率roi_le(k，hk，lk)，所述roi_le(k，hk，lk)由exp(cp(k，hk，lk)2-avg(k，hk，lk)2)与
14、exp(max(k，hk，lk)2-min(k，hk，lk)2)的比值确定，
15、其中，max(k，hk，lk)为qk(k，hk，lk)邻域像素点的像素值的最大值，avg(k，hk，lk)以及min(k，hk，lk)分别为qk(k，hk，lk)邻域像素点的像素值的平均值以及最小值，其中，qk(k，hk，lk)的邻域像素点指的是qk(k，hk，lk)的二维平面内8邻域像素点；
16、基于roi贡献率计算出所述文本数据图像集中所有文本数据图像的roi贡献区域；
17、构建原始图像，所述原始图像由所述文本数据图像集中所有文本数据图像进行像素平均值计算得到，即原始图像的任意像素点的像素值为所有文本数据图像在同一像素点位置的像素平均值；
18、将所述文本数据图像集中所有文本数据图像的roi贡献区域依次替换所述原始图像的对应区域得到当前公共卫生事件的文本关联图像。
19、进一步，具体的，基于roi贡献率计算出所述文本数据图像集中所有文本数据图像的roi贡献区域，包括，
20、当k＝1时，即对于所述文本数据图像集中第1个文本数据图像，遍历其图像矩阵q1(1)，找寻出q1(1)中最大roi贡献率以及第二大roi贡献率的两个像素点，对最大roi贡献率的像素点以及第二大roi贡献率的像素点进行连接得到线段lne_sgm(1)，之后遍历q1(1)，挑选出除lne_sgm(1)中像素点外的最大roi贡献率的像素点定义为像素点h，分别连接h与线段lne_sgm(1)的两个端点所得到的区域即为第1个文本数据图像的roi贡献区域；
21、当k＞1时，即对于所述文本数据图像集中第1个文本数据图像以外的任意文本数据图像，计算qk-1(k-1)的roi贡献区域中的像素点的像素平均值avg(k-1)，遍历qk(k)，挑选出qk(k)中roi贡献率不低于avg(k-1)的任意两个像素点并进行连接得到线段lne_sgm(k)，之后遍历qk(k)，挑选出除lne_sgm(k)上像素点外的roi贡献率最大的另一个像素点定义为像素点g，分别连接g与线段lne_sgm(k)的两个顶点所得到的区域即为当前文本数据图像的roi贡献区域。
22、进一步，具体的，预构建的llm模型的构建过程，包括，
23、定义虚假信息传播模型的虚假信息源头识别函数为(fsi(x，θ))，其中(x)为输入数据，(θ)为模型参数，目标是识别虚假信息的起源点(sorigin)：
24、[sorigin＝fsi(x,θ)]
25、定义传播动力学预测模型pspread，此模型用于预测虚假信息在社交网络中的传播路径和范围，表示为：
26、[pspread＝fpd(x,φ)]
27、其中(φ)表示模型参数，
28、集成以上两个模型，以及流行病学预测模型(fep)，构建复合模型(mci(fsi，fpd，fep))；该复合模型旨在分析虚假信息传播对公众健康和疫情发展的综合影响(ici)：
29、[ici＝mci(fsi(x,θ),fpd(x,φ),fep(y,ψ))]
30、其中(y)为输入的流行病学数据。
31、进一步，所述方法还包括，
32、定义动态更新策略对预构建的llm模型进行模型更新，其中(m)为当前的llm模型，(dnew)为新加入的数据，(α)为更新率参数，更新后的模型(m′)是通过融合新加入的数据和当前llm模型参数来实现的：
33、
34、其中u为预设参数。
35、进一步，具体的，实时监控与响应机制，包括，
36、监控机制为：
37、建立实时监测模型(smonitor)，用于监测所发布的公共卫生信息；
38、构建虚假信息监测算法(detection(d,a))，(detection(d,a))用于自动调用方法步骤110至步骤130对所发布的公共卫生信息进行监测；
39、响应机制为：
40、在(detection(d,a))检测到存在虚假信息时，立即执行响应[response(smonitor,detection(d,a))]进行虚假信息标记。
41、本专利技术的有益效果为：
42、本专利技术本文档来自技高网...
【技术保护点】
1.基于大语言模型的公共卫生虚假信息处理方法，其特征在于，包括以下：
2.根据权利要求1所述的基于大语言模型的公共卫生虚假信息处理方法，其特征在于，具体的，获取与公共卫生相关的图像格式的文本数据，包括，
3.根据权利要求2所述的基于大语言模型的公共卫生虚假信息处理方法，其特征在于，具体的，具体的，对图像格式的所述文本数据进行信息预处理得到公共卫生事件的文本关联图像，包括，
4.根据权利要求1所述的基于大语言模型的公共卫生虚假信息处理方法，其特征在于，具体的，基于ROI贡献率计算出所述文本数据图像集中所有文本数据图像的ROI贡献区域，包括，
5.根据权利要求4所述的基于大语言模型的公共卫生虚假信息处理方法，其特征在于，具体的，预构建的LLM模型的构建过程，包括，
6.根据权利要求5所述的基于大语言模型的公共卫生虚假信息处理方法，其特征在于，所述方法还包括，
7.根据权利要求1所述的基于大语言模型的公共卫生虚假信息处理方法，其特征在于，具体的，实时监控与响应机制，包括，
【技术特征摘要】
1.基于大语言模型的公共卫生虚假信息处理方法，其特征在于，包括以下：
2.根据权利要求1所述的基于大语言模型的公共卫生虚假信息处理方法，其特征在于，具体的，获取与公共卫生相关的图像格式的文本数据，包括，
3.根据权利要求2所述的基于大语言模型的公共卫生虚假信息处理方法，其特征在于，具体的，具体的，对图像格式的所述文本数据进行信息预处理得到公共卫生事件的文本关联图像，包括，
4.根据权利要求1所述的基于大语言模型的公共卫生虚假信息处理方法...
【专利技术属性】
技术研发人员：王迪，李仪萍，翟玥璟，韩子天，杨子峰，李玄锋，
申请(专利权)人：澳门科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。