[发明专利]一种基于线性和非线性传播的谣言检测方法

权利要求书

1.一种基于线性和非线性传播的谣言检测方法，其特征在于，包括如下步骤：

步骤1：对谣言节点中的文本信息和时间信息进行编码，分别得到文本特征和时间特征；

步骤2：对通过步骤1中学习到的两个特征进行建模，生成一个统一的谣言节点混合特征嵌入表示；

通过特征映射矩阵、文本特征和时间特征，将在统一的向量空间中进行学习表示，以sigmoid函数作为激活函数，对混合表示进行筛选，选取能揭示谣言真实性的潜在特征；

步骤3：同时沿非线性扩散结构和线性时间序列，聚合所有节点的混合特征；

其中，沿非线性结构聚合所有节点的混合特征的方法如下：

首先，利用边和点建立邻接矩阵，通过图的拉普拉斯矩阵来研究图中所包含的信息；在图上进行卷积的同时，通过增加残差项来增加网络深度并解决过度平滑的问题；最后，通过池化操作整合各个节点潜在特征，形成非线性扩散结构的最终表示；

沿线性时间序列聚合所有节点的混合特征的方法如下：

第一步，通过LSTM聚合器，从子节点中聚合其特征信息：

首先，将非线性的传播结构转换为线性图，即，按时间顺序排列各个子节点，使得每个孩子节点的父节点都是源节点；为了学习用户参与的变化趋势，将序列作为输入馈入至单向LSTM中；之后，通过对LSTM最后一个隐藏态和源节点之间的相互作用进行建模，增强源节点的表示并获得序列传播的向量表示；基于LSTM的聚合方法，默认最新的节点的贡献度最大；

第二步，采用基于立场注意力的聚合器，根据源节点和子节点之间的立场冲突度量响应节点的重要性：

首先，计算子节点文本嵌入和源节点文本嵌入之间的冲突分数，再通过冲突分数来更新节点，从而得到带有立场信息的节点表示；在立场注意力中，采用度量矩阵来衡量各个节点的重要程度；聚合后生成的全局节点表示再与源节点结合，并同LSTM聚合器输出最终的序列传播向量表示；

步骤4：计算共享特征矩阵，获取谣言的全部特征；

计算共享特征矩阵M，并将输出共享特征矩阵M通过归一化层和前馈层，得到共享特征的向量表示，为得到谣言传播图的全局特征，要对非线性和线性传播表示进行过滤，并将它们与共享特征连接起来；

步骤5：预测谣言的真实性标签；通过全连接层和softmax层，获取预测的真实性标签分布；

步骤6：训练神经网络，使用交叉熵作为损失函数计算损失值；

预先设置迭代次数，如果迭代次数满足设置次数，则训练流程结束，实现了谣言真实性标签的预测；如果迭代次数不满足设置次数，则返回步骤1，继续进行下一轮训练。

2.如权利要求1所述的一种基于线性和非线性传播的谣言检测方法，其特征在于，步骤1的实现方法如下：

步骤1.1：利用Word2Vec，获取每个单词的词嵌入和字符嵌入；然后，将每个单词的字符嵌入通过CNN和池化层输出其字符表示；

步骤1.2：将词嵌入和字符表示相加或者连接作为输入，通过双向循环神经网络得到每个单词的隐藏表示；

步骤1.3：将时间信息通过空间转移矩阵映射至高维向量空间。