申请/专利权人：三峡大学

申请日：2023-11-21

公开（公告）日：2024-03-29

公开（公告）号：CN117786475A

主分类号：G06F18/241

分类号：G06F18/241;G06N3/0442;G06N3/045;G06N3/042;G06N3/084;G06F9/54

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.16#实质审查的生效;2024.03.29#公开

摘要：本发明提出一种既能捕获动态信息，又能提升检测效果的基于动态网络的多任务谣言检测模型及方法，本发明将捕获的随时间变化的动态空间特征、时序文本特征，通过时间步为基本共享单位来进行有机结合，并使用注意力机制更新输出特征，从而形成了一种基于动态网络的多任务谣言检测模型及方法。首先，构建不同时刻的谣言事件传播图，利用动态图卷积网络对不同时刻的传播图进行建模，捕获谣言事件的动态结构特征；再以时序共享层作为共享网络对在每个相同的时间步的事件动态结构特征和时序文本特征进行特征交互，最后使用注意力机制重点关注不同任务、不同时刻间有重要影响的信息，作为分类器的输入，进行预测。

主权项：1.一种基于动态网络的多任务谣言检测模型及方法，其特征在于，具体包括以下步骤：S1、构建谣言动态传播图Dynamic-GCN，设计一种基于时间步的细粒度动态图神经网络，它采用动态图神经网络来构建不同时刻的谣言事件传播图，可以通过捕获过渡更平滑的谣言事件动态结构特征，来增强多任务共享的效率；S2、捕获时序文本特征，设计了一种基于LSMT的文本内容提取网络Content-LSTM，以LSTM网络为基准模型来进行改进，用来捕获随时间变化的时序文本特征，并用于多任务的共享交互，来提升模型性能；S3、构建时序事件共享层，设计一种基于时序事件的共享方法TES，作为共享层，以时间步为基本共享单位，实现前两个模块间动态结构特征、时序文本特征的共享交互，这样可以减少噪声干扰，有效提高预测效果；S4、注意力机制特征提取和分类，通过前面的计算，以及通过TES的计算得到了特征共享之后的特征表示，分别为Dynamic-GCN、Content-LSTM、及TES层的特征表示：Hir、Hcontent、Hshare；使用多头注意力机制来更新它们，得到更新后的，用于预测的最终事件特征表示Hcontent-t，Hi-t，最后分别输入分类器中进行计算来对谣言进行预测。

全文数据：

权利要求：

百度查询： 三峡大学 一种基于动态网络的多任务谣言检测模型及方法

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