申请/专利权人：河南师范大学

申请日：2021-10-20

公开（公告）日：2024-04-16

公开（公告）号：CN113946680B

主分类号：G06F16/35

分类号：G06F16/35;G06F40/289;G06Q50/00

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2022.02.25#实质审查的生效;2022.01.18#公开

摘要：本发明公开了一种基于图嵌入及信息流分析的线上网络谣言鉴别方法，本发明的技术方案要点为：首先对线上网络舆情事件做深度预处理，剃去干扰数据，保留特征信息，并将其映射到具有词义关联性的高维空间；然后基于图嵌入方法，使用深层的图卷积神经网络提取层级关系图中蕴含的舆情网络结构特征；再建立具有深度结构的双向门循环神经网络，分析舆情信息流中的双向时序特征；最后利用注意力机制，对舆情的网络结构特征和双向时序特征进行融合，从而提高线上网络舆情信息中虚假信息鉴别的准确度。

主权项：1.一种基于图嵌入及信息流分析的线上网络谣言鉴别方法，其特征在于具体步骤为：步骤1确定线上网络舆情数据来源，爬取结构化的舆情数据，并对得到的舆情数据进行预处理；步骤2分析线上网络舆情数据在空间上的结构特征，将原始信息的发布源抽象为网络的中心结点，后续的评论、转发及回复信息抽象为网络上的关系结点，并基于信息发布的逻辑关系建立网络中各结点之间的层级结构，将构建得到的层级网络映射为一个带有自连接环的无向图结构，再以图嵌入的方法借助于图卷积神经网络GCN提取舆情传播网络的结构特征；步骤2基于图嵌入方法的舆情传播网络的结构特征提取，具体方法如下：Step1:将构建得到的层级网络映射为一个带有自连接环IN的无向图Gj，以表示原始层级网络的邻接矩阵，计算带有自连接环的无向图Gj的邻接矩阵A，其计算方法为： Step2:计算无向图Gj的度分布矩阵D，其计算方法为：D＝∑kAkStep3:利用图卷积神经网络GCN中傅里叶变换的思想进行图卷积操作，并对得到的卷积图进行一阶近似，得到单层网络的近似图卷积值L1，其计算方法为： 其中X是舆情信息的WordEmbedding值，W1是GCN网络第一层中的权重矩阵，δ·是激活函数，通常选择ReLU函数；Step4:受限于单层图卷积神经网络GCN对于网络空间结构呈现的局限性，需要再加入一层图卷积层，并进行卷积操作，二次更新后的卷积值L2，即为提取的舆情传播网络的结构特征，其计算方法为： 其中W2是GCN网络第二层中的自学习权重矩阵；步骤3提取线上网络舆情数据中各信息的发布时间，并以之为依据构建舆情信息流，将得到的信息流作为输入，建立具有深度结构的双向门循环神经网络Bi-GRU，分别提取正向以及逆向时间序列角度上的舆情信息内的时序特征，再将两个维度上的时序特征融合，形成对于舆情信息流在时间序列角度上的总体特征呈现；步骤3舆情信息流在时间序列上的总体特征呈现，具体方法如下：Step1:将舆情事件按照其发布时间排序，建立一个对于某种舆情事件具有较为完整描述的时序信息流；Step2:按照正向的信息流动方向，依次将舆情信息输入门循环神经网络GRU，提取的正向信息流包含的时序特征h'a,t通过下述公式计算： 其中，Uz,Wz,Ur,Wr,和分别代表GRU单元内的可学习权重，⊙代表逐元素相乘操作，h'a,t-1是上一个时间点的时序特征，是h'a,t的隐层备选状态，分别表示重置门和更新门的状态，σ·是Sigmoid函数；Step3:按照逆向的信息流动方向，依次将舆情信息输入门循环神经网络GRU，提取的逆向信息流包含的时序特征为h″a,t，其计算方法和正向时相同；Step4:连结正向和逆向的信息流时序特征，形成舆情信息流在时间序列上的总体特征呈现ha,t；步骤4采用注意力Attention机制，融合图嵌入得到的图结构特征以及总体呈现的信息流时序特征，形成一个以数据驱动为特点的动态加权的高维度舆情特征表示体系，并以之作为谣言鉴别最终的混合特征呈现方式；步骤4采用注意力Attention机制融合的混合特征呈现方式，具体方法如下：Step1:建立一个和步骤3中参数完全相同的门循环神经网络，将步骤2中得到的基于图嵌入方法的舆情传播网络的结构特征L2作为输入，得到和舆情信息流的时间序列特征ha,t维度完全相同的网络输出hb,t；Step2:利用Attention机制融合ha,t和hb,t，得到ht即为最终的混合特征呈现，具体计算方法为： 其中，γ和Wh为网络中的可学习权重参数；步骤5以全连接网络作为输出层，配以Softmax函数将输出映射到概率空间，同时定义损失函数Lossfunction，判断模型预测的概率结果和真实数据之间的虚拟空间距离，并将损失函数的最小化作为模型的优化方向，持续调整网络中的各相关权重参数。

全文数据：

权利要求：

百度查询： 河南师范大学 一种基于图嵌入及信息流分析的线上网络谣言鉴别方法

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