基于深度学习的微博谣言检测系统设计与实现
这是一篇关于谣言检测,社交网络,深度学习,图注意力网络,Django的论文, 主要内容为随着互联网时代的不断发展,社交网络已经成为人们获取信息的重要渠道之一。然而,社交媒体上存在大量虚假信息,这些信息可能会给人们带来误导和不良影响,甚至危害社会稳定。因此,如何利用计算机准确检测社交媒体中的虚假信息成为近年热点研究。当前,社交媒体上的谣言检测通常依赖于人工方法,需要耗费大量的人力、物力和财力,同时需要专家具有一定的知识储备。为了解决这个问题,学者们致力于研究一种自动谣言检测模型。现有模型虽然在一定程度上提高了检测的准确性,但忽略了事件与事件之间的关联关系。因此,本文提出了一种基于深度学习模型的检测方法,并设计实现一个微博谣言检测系统。本文主要工作如下:(1)针对事件源文本信息单一问题,提出了交叉注意力融合源文本和评论文本的谣言检测模型CROSS＿SC。首先,对源文本以及评论文本预训练,转成计算机可以识别、处理的数据形式。其次,源文本使用Text RNN模型提取特征向量,同时评论文本使用Text CNN模型提取特征向量。之后,将两种文本的特征向量进行交叉注意力融合,得到两个新的特征向量,拼接得到事件的表征向量,使得事件信息更加丰富的同时为下一步工作做铺垫。最后,将事件表征向量引入全连接层作为独立整体进行谣言检测任务。(2)针对社交网络中事件并非孤立存在的现象,提出了基于图神经网络的谣言检测模型CROSS＿SC＿GAT。该方法使用上述事件表征向量作为节点特征向量,使其节点特征向量含有丰富的语义信息。同时,事件间通过是否存在相同的评论者或转发者来构建事件关联图的边,即节点邻接矩阵,从而提高事件之间的相关性、更加准确的捕捉事件之间的联系。之后,将事件的表征向量和邻接矩阵输入到图注意力网络中,以输出事件节点的分类结果。(3)为了方便用户操作和结果展示,设计并实现了一个原型系统。微博谣言检测系统采用B/S架构,使用Django框架。该系统包括用户登录,谣言检测,数据扩充三个模块。用户登录模块使用OAuth2协议实现第三方登录,用户成功登录后,系统将获取其个人信息并在界面中显示。谣言检测模块是本系统的核心模块,它将上述模型嵌入到系统中,为用户提供谣言检测功能。数据扩充模块通过爬取新浪微博数据,并将数据存储到数据库中,以便用于训练模型,从而提高谣言检测的准确率。
网络虚假信息自动识别方法研究
这是一篇关于谣言检测,图卷积神经网络,知识图谱,节点中心度量的论文, 主要内容为随着社交网络的快速发展,越来越多的人喜欢在社交媒体上分享自己的生活,但同时也产生了许多谣言,使得谣言检测变得极为必要。目前最有效的方法是采用图卷积网络来自动检测谣言,但存在两个关键缺陷:1)忽略了谣言节点在图中的位置贡献;2)在处理不平衡数据方面存在不足,模型的灵活性和泛化能力较差。为了解决这些问题,首先设计了一种知识增强的的文本特征提取方法。用onehot编码将谣言网络中的所有信息嵌入成稀疏高维向量,然后把这些向量放入SkipGram模型中训练成低维稠密向量,经过基本的词向量嵌入后,将谣言网络中的所有信息以及关系表示成三元组并嵌入到知识图谱上,实现知识增强的谣言文本表示。然后为了使谱域图卷积网络能有直接用于有向图,提出了用有向图转换为出度图和入度图的方法,分别构建了它们的邻接矩阵,称为出入度邻接矩阵。最后设计了一种新的基于图谱域卷积的网络虚假信息检测模型(Out-In Degree Convolutional Network,OID-GCN),通过对谣言传播网络中节点的行为特征进行分析,基于Katz中心性度量方法,构建了加权节点特征矩阵;分析了谣言传播网络的拓扑结构,基于出入度邻接矩阵分别设计谱域图卷积层,构建了端到端的谣言检测网络模型。基于三个公开数据集Weibo、Twitter-15和Twitter-16上的实验结果表明,提出的谣言检测模型的准确度优于现有其他设计方案。除了提高精度外,Katz中心性度量算法可以有效地捕获节点的位置信息,而OID-GCN的结构在处理不平衡数据方面表现出了卓越的能力。
基于深度学习的微博谣言检测系统设计与实现
这是一篇关于谣言检测,社交网络,深度学习,图注意力网络,Django的论文, 主要内容为随着互联网时代的不断发展,社交网络已经成为人们获取信息的重要渠道之一。然而,社交媒体上存在大量虚假信息,这些信息可能会给人们带来误导和不良影响,甚至危害社会稳定。因此,如何利用计算机准确检测社交媒体中的虚假信息成为近年热点研究。当前,社交媒体上的谣言检测通常依赖于人工方法,需要耗费大量的人力、物力和财力,同时需要专家具有一定的知识储备。为了解决这个问题,学者们致力于研究一种自动谣言检测模型。现有模型虽然在一定程度上提高了检测的准确性,但忽略了事件与事件之间的关联关系。因此,本文提出了一种基于深度学习模型的检测方法,并设计实现一个微博谣言检测系统。本文主要工作如下:(1)针对事件源文本信息单一问题,提出了交叉注意力融合源文本和评论文本的谣言检测模型CROSS＿SC。首先,对源文本以及评论文本预训练,转成计算机可以识别、处理的数据形式。其次,源文本使用Text RNN模型提取特征向量,同时评论文本使用Text CNN模型提取特征向量。之后,将两种文本的特征向量进行交叉注意力融合,得到两个新的特征向量,拼接得到事件的表征向量,使得事件信息更加丰富的同时为下一步工作做铺垫。最后,将事件表征向量引入全连接层作为独立整体进行谣言检测任务。(2)针对社交网络中事件并非孤立存在的现象,提出了基于图神经网络的谣言检测模型CROSS＿SC＿GAT。该方法使用上述事件表征向量作为节点特征向量,使其节点特征向量含有丰富的语义信息。同时,事件间通过是否存在相同的评论者或转发者来构建事件关联图的边,即节点邻接矩阵,从而提高事件之间的相关性、更加准确的捕捉事件之间的联系。之后,将事件的表征向量和邻接矩阵输入到图注意力网络中,以输出事件节点的分类结果。(3)为了方便用户操作和结果展示,设计并实现了一个原型系统。微博谣言检测系统采用B/S架构,使用Django框架。该系统包括用户登录,谣言检测,数据扩充三个模块。用户登录模块使用OAuth2协议实现第三方登录,用户成功登录后,系统将获取其个人信息并在界面中显示。谣言检测模块是本系统的核心模块,它将上述模型嵌入到系统中,为用户提供谣言检测功能。数据扩充模块通过爬取新浪微博数据,并将数据存储到数据库中,以便用于训练模型,从而提高谣言检测的准确率。
基于深度学习的微博谣言检测系统设计与实现
这是一篇关于谣言检测,社交网络,深度学习,图注意力网络,Django的论文, 主要内容为随着互联网时代的不断发展,社交网络已经成为人们获取信息的重要渠道之一。然而,社交媒体上存在大量虚假信息,这些信息可能会给人们带来误导和不良影响,甚至危害社会稳定。因此,如何利用计算机准确检测社交媒体中的虚假信息成为近年热点研究。当前,社交媒体上的谣言检测通常依赖于人工方法,需要耗费大量的人力、物力和财力,同时需要专家具有一定的知识储备。为了解决这个问题,学者们致力于研究一种自动谣言检测模型。现有模型虽然在一定程度上提高了检测的准确性,但忽略了事件与事件之间的关联关系。因此,本文提出了一种基于深度学习模型的检测方法,并设计实现一个微博谣言检测系统。本文主要工作如下:(1)针对事件源文本信息单一问题,提出了交叉注意力融合源文本和评论文本的谣言检测模型CROSS＿SC。首先,对源文本以及评论文本预训练,转成计算机可以识别、处理的数据形式。其次,源文本使用Text RNN模型提取特征向量,同时评论文本使用Text CNN模型提取特征向量。之后,将两种文本的特征向量进行交叉注意力融合,得到两个新的特征向量,拼接得到事件的表征向量,使得事件信息更加丰富的同时为下一步工作做铺垫。最后,将事件表征向量引入全连接层作为独立整体进行谣言检测任务。(2)针对社交网络中事件并非孤立存在的现象,提出了基于图神经网络的谣言检测模型CROSS＿SC＿GAT。该方法使用上述事件表征向量作为节点特征向量,使其节点特征向量含有丰富的语义信息。同时,事件间通过是否存在相同的评论者或转发者来构建事件关联图的边,即节点邻接矩阵,从而提高事件之间的相关性、更加准确的捕捉事件之间的联系。之后,将事件的表征向量和邻接矩阵输入到图注意力网络中,以输出事件节点的分类结果。(3)为了方便用户操作和结果展示,设计并实现了一个原型系统。微博谣言检测系统采用B/S架构,使用Django框架。该系统包括用户登录,谣言检测,数据扩充三个模块。用户登录模块使用OAuth2协议实现第三方登录,用户成功登录后,系统将获取其个人信息并在界面中显示。谣言检测模块是本系统的核心模块,它将上述模型嵌入到系统中,为用户提供谣言检测功能。数据扩充模块通过爬取新浪微博数据,并将数据存储到数据库中,以便用于训练模型,从而提高谣言检测的准确率。
基于评论注意力机制的微博谣言检测研究与实现
这是一篇关于谣言检测,ERNIE,BiGRU,注意力机制,可解释性的论文, 主要内容为由于移动互联网和社交媒体的飞速发展,人们获取信息的手段越来越多,根据信息源被认可的情况不同,信息的可信度也值得商榷。在当下移动端社交媒体可以迅速广泛的传播消息的同时,不乏有心之人利用互联网信息传递便利的特点去故意散播对社会造成损害的恶意虚假消息。考虑到传统的基于深度学习的谣言检测模型通常是基于人工手动构造文本特征,具有一定的主观性。而基于神经网络的模型数据集的主题有限,缺少了一定的泛化性和可解释性。针对以上问题,本文将设计一个自动构造特征的、知识增强语义表示的可解释性谣言检测模型:1、提出了基于增强知识学习的 ERNIE(Enhanced Representation through Knowledge Integration)预训练模型,该模型通过分别对实体以及实体关系知识图谱进行编码,可以更加精确地学习到上下文语意关系;2、构造了词语句子共同注意力机制网络,从博文和评论的词语、句子两个层面进行学习。最后得到分类结果以及与原博文关联性最强的评论中最具权重的词和短语作为模型的可解释性证据;3、设计并实现了集成了上述谣言检测模型的原型系统,在最终测试部分验证了其高并发、高可用的功能特性达标。本文模型在CEDDataset数据集上的准确率达到89.40%,F1得分达到0.8837,召回率达到94.37%,高于同一数据集下其他模型的各项指标。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码驿站 ，原文地址：https://m.bishedaima.com/lunwen/55112.html
