[发明专利]基于信息传播树的网络信息检测方法、装置、设备和介质

权利要求书

1.一种基于信息传播树的网络信息检测方法，其特征在于，所述方法包括：

获取样本数据集，所述样本数据集包括多个训练样本，每个训练样本包括文本信息、与所述文本信息对应的用户社交信息和与所述文本信息对应的标注结果；

对所述文本信息进行预处理得到文本信息传播树，以及根据所述文本信息对所述用户社交信息进行预处理得到用户社交图；

获取初始网络模型，所述初始网络模型包括第一神经网络层、第二神经网络层、第三神经网络层、第一注意力机制层和第二注意力机制层；

通过所述第一注意力机制层对所述文本信息进行特征提取以得到第一文本信息特征，通过所述第一神经网络层对所述文本信息传播树进行特征提取以得到第二文本信息特征，对所述第一文本信息特征和所述第二文本信息特征进行特征融合以得到第三文本信息特征；

通过所述第二注意力机制层对所述用户社交信息进行特征提取以得到第一用户社交特征，通过所述第二神经网络层对所述用户社交图进行特征提取以得到第二用户社交特征，对所述第一用户社交特征和所述第二用户社交特征进行特征融合以得到第三用户社交特征；

对所述第三文本信息特征和与所述第三文本信息特征对应的所述第三用户社交特征进行特征融合，得到文本-用户特征；

通过所述第三神经网络层基于所述文本-用户特征输出预测结果，基于所述预测结果与所述标注结果，对所述初始网络模型进行训练，得到目标网络模型；

利用所述目标网络模型进行文本内容检测，输出检测结果。

2.根据权利要求1所述的方法，其特征在于，所述初始网络模型还包括第三注意力机制层；

所述对所述第三文本信息特征和与所述第三文本信息特征对应的所述第三用户社交特征进行特征融合，得到文本-用户特征，包括：

通过所述第三注意力机制层对所述第三文本信息特征和所述第三用户社交特征进行特征融合，得到所述文本-用户特征；

所述第三注意力机制层基于以下公式对所述第三文本信息特征和所述第三用户社交特征进行特征融合：

其中，attention(Q,K,V)表示所述文本-用户特征，d_k表示隐藏层维度，Q表示与所述第三文本信息特征对应的特征分量，K表示与所述第三用户社交特征对应的匹配项分量，V表示所述匹配项分量的值，K^T表示K的转置，softmax表示归一化函数。

3.根据权利要求1所述的方法，其特征在于，所述通过所述第一注意力机制层对所述文本信息进行特征提取，得到第一文本信息特征，包括：

对所述文本信息进行词向量映射，得到第四文本信息特征；

通过所述第一注意力机制层对所述第四文本信息特征进行特征提取，得到所述第一文本信息特征。

4.根据权利要求1所述的方法，其特征在于，所述通过所述第二注意力机制层对所述用户社交信息进行特征提取，得到第一用户社交特征，包括：

对所述用户社交信息进行特征向量映射，得到第四用户社交特征；

通过所述第二注意力机制层对所述第四用户社交特征进行特征提取，得到所述第一用户社交特征。

5.根据权利要求1所述的方法，其特征在于，所述第三神经网络层包括全连接层，所述第三神经网络层基于所述文本-用户特征输出预测结果，包括：通过所述全连接层对所述文本-用户特征进行特征提取以得到目标特征，对所述目标特征进行归一化处理，得到所述预测结果。

6.根据权利要求2所述的方法，其特征在于，所述基于所述预测结果与所述标注结果，对所述初始网络模型进行训练，得到目标网络模型，包括：

根据所述预测结果和所述标注结果，确定所述初始网络模型的损失函数值；

在所述损失函数值满足预设的训练结束条件情况下，结束训练，得到所述目标网络模型；

在所述损失函数值不满足预设的训练结束条件情况下，调整所述初始网络模型的模型参数，并基于所述文本信息、所述用户社交信息、所述文本信息传播树、所述用户社交图和所述标注结果继续对所述初始网络模型进行训练。