申请/专利权人：北京理工大学

申请日：2021-05-28

公开（公告）日：2022-09-20

公开（公告）号：CN113221872B

主分类号：G06V30/40

分类号：G06V30/40;G06V10/80;G06V10/82;G06V10/46;G06N3/04;G06N3/08;G06F40/284

优先权：

专利状态码：有效-授权

法律状态：2022.09.20#授权;2021.10.08#实质审查的生效;2021.08.06#公开

摘要：本发明涉及生成对抗网络与多模态融合的假新闻检测方法，属于机器学习领域。主要为了解决单模态假新闻检测特征不足，多模态假新闻检测中不同模态特征之间异质性较大且拼接方式简单，模型训练过程局限于单一数据集，导致假新闻检测准确率和模型泛化性低下的问题。本发明首先需要训练条件生成对抗网络，该网络可以根据输入图片输出描述图片的文本特征；然后提取新闻的文本特征和图片特征，使用条件生成对抗网络将新闻图片特征转化为文本特征，将新闻文本特征、描述新闻图片的文本特征和新闻的图片特征进行张量融合；最后，将融合的特征输入神经网络得到新闻真实性的分类结果。

主权项：1.生成对抗网络与多模态融合的假新闻检测方法，其特征在于所述方法包括如下步骤：步骤1，需要对新闻数据进行特征提取，首先，对新闻文本进行分词操作，使用TextCNN模型对新闻文本进行特征提取，然后，使用预训练的VGG19模型对完成预处理的新闻图片进行特征提取；步骤2，使用外部数据集训练条件生成对抗网络，首先，使用预训练的VGG19网络提取图片的特征向量，将图片的特征向量与噪声一同输入生成网络，得到描述图片的生成词向量，然后，对原本描述图片的词语进行词嵌入获得真实词向量，将图片特征向量、生成词向量和真实词向量输入判别网络，如果判别网络认为生成网络输出的词向量不是生成的，且该词向量与真实词向量相符合，则优化判别网络的参数，否则优化生成网络的参数，最后，在两个网络相互对抗过程中训练得到表现良好的生成网络；步骤3，特征融合和假新闻检测器的训练，首先，将新闻文本特征、描述新闻图片的词语特征和新闻图片的特征进行张量融合得到新闻整体的特征，然后，将融合的特征向量输入激活函数是softmax的全连接层，训练该全连接层得到合适假新闻检测模型；步骤4，使用测试数据检测该模型对假新闻的检测效果。

全文数据：

权利要求：

百度查询： 北京理工大学 生成对抗网络与多模态融合的假新闻检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD