申请/专利权人：北京工业大学

申请日：2023-12-11

公开（公告）日：2024-04-02

公开（公告）号：CN117807327A

主分类号：G06F16/9536

分类号：G06F16/9536;G06N3/042;G06N3/08;G06F16/35

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.19#实质审查的生效;2024.04.02#公开

摘要：基于结构感知图注意力网络的谣言检测方法，涉及社交网络数据检测领域。利用事件的传播结构和源文本作为输入数据。本方法首先提出了一种基于复合注意力机制的图神经网络用于学习谣言传播结构。本发明还提出利用链接预测任务对标签来自边的注意力进行自监督，从而使连接的帖子之间的关系比未连接的帖子之间的关系更紧密。为了提高表示的主题一致性，本发明提出了一种源贴引导的注意力机制。提出的机制通过调整使用门控模块和源贴感知表示来增强模型的主题一致性。最后学到的表示输入谣言检测分类模块，鉴别出该事件是否是谣言。

主权项：1.一种基于结构感知图注意力网络的谣言检测方法，其特征在于：假设C＝{c1,c2,...,cm}是用于谣言检测的数据集，其中ci表示第i个谣言事件；谣言事件由源贴、响应帖子、传播结构组成，其中ni表示该事件中的帖子数量，ri是源帖子，是第j个响应帖子，有ni-1个响应帖子，Gi表示传播结构；使用Gi来表示一个图Vi,Ei，其中表示图中的节点，Ei由组成，表示帖子之间的边的集合，其中s,t∈0,...,ni-1，s表示边的起点，t表示边的终点，而ri是源贴节点；源贴和响应帖子的特征矩阵表示为其中表示Xi的第j个元素，表示实数，d表示特征的维度；设为邻接矩阵，初始值为 作为系统的输入，包括源贴、响应帖子、传播结构以及源贴和响应帖子的特征X是外部给定的；1.基于注意力的图神经网络GAT通过堆叠L层图注意力网络来丰富每个帖子的表示，具体而言，L设置为2，图注意力网络的输入是一组向量，表示第l层节点的隐藏状态，记为在这里，等价地表示为V表示图G中的节点集合，这里‖表示求集合中的元素数量；对于第一层图注意力网络，H0＝X；定义第l层的帖子j对帖子i的未归一化的注意力系数为归一化的注意力系数为其中Bl+1是第l+1层的参数向量，Wl表示第l层图注意力网络的参数矩阵；Bl+1和Wl是随机初始化的，最终取值是在图神经网络的训练过程中确定的，注意力系数的计算过程如下，表示矩阵转置操作，|符号表示向量拼接操作，括号[]表示括在其中的向量视为整体，σ表示sigmoid函数，LeakyReLU是一种激活函数，注意力公式融合了传统的加性注意力和点积注意力： 在此，ReLU是一种激活函数；反映了微博j对i的相关性；包括帖子i在图G中的邻居以及帖子i本身，Σ表示求和符号，定义第l层的帖子k对帖子i的未归一化的注意力系数为2.关系引导注意力模块利用链接预测任务对标签来自边的注意力进行自监督：对于一对i和j，如果存在边，则为1，否则为0；定义i和j之间存在边的概率为φij，使用sigmoid激活函数σ来计算i和j之间存在边的概率φij； 定义链接预测任务的损失函数为‖表示求集合的基数，∪表示集合并集，log表示以e为底数的对数函数，1j,i＝1表示j和i之间存在边时取值为1，否则为0，1j,i＝0表示j和i不存在边时取值为1，否则为0；训练样本是一组边E和补集E-＝V×V\E，×表示笛卡尔积，\表示集合的差，Σ表示求和符号： 3.源贴引导注意力模块提出了一种源贴引导的注意力机制；提出的机制通过调整使用门控模块和源贴感知表示来增强模型的主题一致性；使用一个门控模块来充分利用源贴中包含的信息，放置于第L层图注意力网络之后；表示源贴的表示，是i帖子的表示，引入了参数矩阵和来计算源贴c和帖子i的相关性，参数矩阵和的值是随机初始化的，模型训练过程中会调整参数矩阵来控制门控模块的“开关情况”，定义为i节点保留自己信息的程度，经过sigmoid变换后，的值会归一化到0到1之间；定义为与源贴交互后，节点i的表示，⊙符号表示哈达玛积： 4.谣言检测分类模块定义y为事件的标签，为模型预测事件的类别，y是由人工标记的，y为1表示事件是谣言，y为0表示事件非谣言；n表示该事件的帖子总数，通过平均事件包含的所有帖子的表示，获得事件的表示s，将s直接输入到一个全连接层FC，并输入softmax函数，以得到真实性预测向量 然后，使用交叉熵损失函数来度量所有事件的预测值和真实值y之间的距离，log表示以e为底的对数函数： 总体损失函数为： 使用Adam优化器调整以上涉及到的所有参数矩阵，用于最小化损失函数,模型训练200轮，如果连续10轮损失函数不再降低，就提前停止训练。

全文数据：

权利要求：

百度查询： 北京工业大学 一种基于结构感知图注意力网络的谣言检测方法

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