CN109325125A - 一种基于cnn优化的社交网络谣言方法 - Google Patents
一种基于cnn优化的社交网络谣言方法 Download PDFInfo
- Publication number
- CN109325125A CN109325125A CN201811168129.8A CN201811168129A CN109325125A CN 109325125 A CN109325125 A CN 109325125A CN 201811168129 A CN201811168129 A CN 201811168129A CN 109325125 A CN109325125 A CN 109325125A
- Authority
- CN
- China
- Prior art keywords
- sample
- rumour
- vector
- event
- matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000005457 optimization Methods 0.000 title claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000013527 convolutional neural network Methods 0.000 claims description 26
- 238000012360 testing method Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 28
- 238000013480 data collection Methods 0.000 abstract description 6
- 238000013135 deep learning Methods 0.000 abstract description 5
- 238000013136 deep learning model Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 238000003058 natural language processing Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 10
- 238000012512 characterization method Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Machine Translation (AREA)
Abstract
本发明涉及自然语言处理和深度学习的技术领域,更具体地,涉及一种基于CNN优化的社交网络谣言方法。本发明主要基于CNN模型进行优化,提出了一种新的深度学习模型。该模型的优化主要在于两方面,其一是以推文级别的句向量通过特征权重矩阵训练得到组级别的句向量,从而让不同推文具有不同重要性的特点在组向量中得到充分体现,重要性高的推文将在谣言检测中更受关注,重要性低的则反之;其二是引入了时序向量,时序作为检测谣言的一个关键特征,很好地弥补了CNN天然缺乏时序编码能力的缺陷,并且时序向量能够在训练过程中不断调整,自适应数据集。
Description
技术领域
本发明涉及自然语言处理和深度学习的技术领域,更具体地,涉及一种基于CNN优化的社交网络谣言方法。
背景技术
谣言被定义为一个真实价值未经验证的故事或陈述。随着社交网络媒体的迅速发展,大量的谣言很容易在互联网上传播,比如微博、推特等平台上传播的推文,经常会有一些误导性的推文,影响公众的正确认知,甚至引起公众恐慌和社会混乱。2013年4月23日,仅因为一条关于白宫爆炸的谣言,就让美国的故事损失了1300亿美元。可见,在社交媒体上高效地检测谣言至关重要,并且应当在谣言传播之前尽可能早地检测出来。
社交网络谣言检测的相关工作有很多,有识别图片真伪的工作,也有识别维基百科上的误导性文章,有基于推文级别进行检测的,也有基于多条推文组成的事件进行的。现有的方法主要基于手工特征的挖掘与SVM等传统机器学习分类器实现。典型的手工特征可以是情感词等内容特征,也可以是昵称、头像等用户特征,又或者是转发次数等传播特征。也有一些挖掘自用户反馈行为、事件传播的生命周期等更为复杂的特征。这些特征能够在一定程度上区分谣言,结合传统的有监督机器学习分类器,能够达到比较可观的检测效果。
近年来,深度学习方法一直是机器学习领域的重要热点,它一般具有多层神经网络结构,能够从更高层次表征文本的上下文特征。一些用深度学习模型进行谣言检测的工作也开始发展起来。深度学习模型整合的是所有推文的内容而不是部分特征信息,一个事件的转发次数、与评价相关的信息、用户的信誉等信息也会被整合进推文的内容当中。基于递归神经网络(RNN)和基于卷积神经网络(CNN)的深度学习模型被先后应用于社交网络谣言的检测中,并被证明效果明显优于传统手工特征结合机器学习分类器的方法。在这些方法中,CNN模型在社交网络谣言检测具有最优的准确性和时效性。
传统的提取手工特征方法虽然能挖掘出很多被证明有助于区分谣言与非谣言的重要特征,但是这些特征或多或少会对特定形式的样本数据有一些偏好性,并且无法挖掘出更深层次的特征,以至于在复杂的社交网络网络场景中常常显得乏力。
而目前基于RNN、CNN等模型的深度学习方法,通常从事件级别进行谣言检测,事件一般定义为多条描述同一事物的推文组成的集合。RNN模型因为其上一层输出会作为下一层的输入递归地进行编码的结构特点,所以会偏好于最后输入的推文,即发布时间最新的推文,但现实场景中常常不是这样,早期传播的推文往往具有重要的区分意义。而CNN的卷积层抽取特征本质上是一种n-gram的方法,倾向于提取局部特征,天然缺乏对长文本时序信息的表征能力,然而多项工作表明传播时间、传播周期等时序信息确实区分谣言与非谣言的一个重要尺度。并且这些将深度学习方法用于谣言检测的工作,本质上只是直接输入推文的内容信息,没有考虑不同的推文具有不同的重要性,并非一个事件下的所有推文对于区分事件是否为谣言具有同等作用,很多推文对于谣言检测可能是冗余的甚至可能成为噪音。
发明内容
本发明为克服上述现有技术所述的至少一种缺陷,提供一种基于CNN优化的社交网络谣言方法,融合了推文级别的内容信息和时序信息,基于CNN模型进行多层次训练,可提高社交网络谣言检测的准确率以及时效性。
本发明的技术方案是,一种基于CNN优化的社交网络谣言方法,其中,包括以下步骤:
S1.收集微博和推特平台的社交网络数据作为样本数据,对样本数据以事件级别进行整理,描述同一事件的所有推文作为一个样本,并将同一事件样本的推文按发布时间进行排序;
S2.对样本数据进行预处理;
S3.用paragraph2vec方法构建样本矩阵,样本矩阵的行向量为事件样本的一条推文的句向量;
S4.以分组的方式重新构建样本矩阵,根据发布时间间隔均等地将事件样本的所有推文划分为若干组,训练一个权重矩阵,通过卷积、池化提取每组推文的特征,构建组向量;
S5.根据每组的最大时间跨度构建时序向量;
S6.利用时序向量重新构建样本矩阵:将步骤S6得到的时序向量与步骤S5的样本矩阵相乘,得到新的样本矩阵;
S7.采用多层卷积神经网络对样本矩阵进行训练,构建训练模型;
S8.根据训练模型的结果对样本矩阵进行分类,得到事件样本是否为谣言的检测结果。
本发明要解决的为社交网络谣言检测问题,检测一个事件是否为谣言。
谣言被定义为一个真实价值未经验证的故事或陈述。随着社交网络媒体的迅速发展,大量的谣言很容易在互联网上传播,引起公众恐慌和社会混乱。因此,在社交媒体上高效地检测谣言至关重要,并且应当在谣言传播之前尽可能早地检测出来。多条针对同一事物发表观点的网络推文的集合被定义成一个事件,本发明对谣言的检测以事件为单位进行,一个事件可能是谣言,也可能是事实。
与现有技术相比,有益效果是:本发明主要基于CNN模型进行优化,提出了一种新的深度学习模型。该模型的优化主要在于两方面,其一是以推文级别的句向量通过特征权重矩阵训练得到组级别的句向量,从而让不同推文具有不同重要性的特点在组向量中得到充分体现,重要性高的推文将在谣言检测中更受关注,重要性低的则反之;其二是引入了时序向量,时序作为检测谣言的一个关键特征,很好地弥补了CNN天然缺乏时序编码能力的缺陷,并且时序向量能够在训练过程中不断调整,自适应数据集。在对社交网络谣言的检测中,无论是在准确性还是时效性方面,本发明都具有比较明显的优势。
附图说明
图1为本发明的基本模型结构。
图2为本发明检测社交网络谣言的流程图。
图3为早期谣言检测在微博数据集的对比。
图4为早期谣言检测在推特数据集的对比。
图5为本发明谣言检测效果对比表格。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明,不能理解为对本专利的限制。
如图1、2所示,本发明的实施包括以下步骤:
收集社交网络数据作为样本数据,对样本数据以事件级别进行整理,样本数据包括谣言样本和真实样本。
对样本数据进行预处理。
用paragraph2vec方法训练推文级别的句向量,构建样本矩阵。
根据按推文发布时间间隔分组的方式重新构建样本矩阵。
根据各个组的最大时间跨度构建时序向量。
利用时序向量重新构建样本矩阵。
采用多层卷积神经网络对样本矩阵进行训练,构建训练模型。
根据训练模型的结果对样本矩阵进行分类,得到事件样本是否为谣言的检测结果。
下面代入具体的社交网络数据对本发明进行详细说明:
从微博和推特两个平台爬取社交网络数据作为样本数据,对样本数据以事件级别进行整理,描述同一事件的所有推文作为一个样本,并将同一事件样本的推文按发布时间进行排序。微博数据集分别有2313条谣言事件和2351条事实事件,推特数据集分别有498条谣言数据和494条非谣言数据。对两个数据集均采用同样的划分方法,选取10%的样本作为验证集,在剩余样本中按3:1划分训练集和测试集。
预处理,包括分词和去除停用词。分词采用Python的jieba分词工具进行,停用词主要选取一些特殊符号、无意义的英文单词、常用中文词典中不存在的生僻汉字等。
通过paragraph2vec方法训练语言模型,确定最优参数,构建样本矩阵。样本矩阵的行向量为事件样本的一条推文的句向量,样本矩阵的大小为m*d,则m为事件样本包含的推文数目,d为推文的句向量的维度,d设置为72。
以分组的方式重新构建样本矩阵:根据发布时间间隔均等地将事件样本的所有推文划分为n组,一个组由r*d矩阵表示,其中r为该组包含的推文数目,d为推文的句向量的维度。训练一个1*d的权重矩阵,将组对应的r*d矩阵与k个相同的1*d的权重矩阵进行卷积操作,并通过tanh激活函数得到卷积结果。为使结果归一化,采用池化方法选取每个卷积核卷积后的最大值作为该卷积核下的局部特征,最终得到长度为k的向量,作为该组的组向量。此时样本矩阵的大小为n*k,行向量为组向量,其中n为事件样本包含的组的数目,k为卷积操作使用的权重矩阵的数目。n设置为20,k设置为50,d设置为72。
构建时序向量,给事件样本添加时序信息:以事件样本的每个组中推文的最大时间跨度构建长度为n的时序向量,其中n(即20)为一个样本中组的个数。对向量中的每个值都进行归一化,并将每个值都与一个权重系数相乘,该权重系数会不断训练,以此调整时序向量的每个值。
利用时序向量重新构建样本矩阵:将步骤6得到的时序向量与步骤5的样本矩阵相乘,得到新的大小为n*k(即20*50)的样本矩阵。
基于CNN模型构建多层结构对样本矩阵进行训练。输入层为步骤6得到的样本矩阵,利用不同长度的卷积核对样本矩阵依次卷积,通过relu激活函数后映射后,进行最大池化操作,提取出样本深层次的抽象特征。采用keras作为实现环境。经过多次实验,最终设置CNN的层数为2,在微博数据集上,两层卷积层的卷积核大小均为3,卷积核个数均为20.在推特数据集上,两层卷积层的卷积核大小均为3,卷积核个数均为10。
根据训练模型的结果对测试集数据进行分类,预测其是否为谣言。
本发明最重要的优化在于两方面,其一是以推文级别的句向量通过特征权重矩阵训练得到组级别的句向量,从而让不同推文具有不同重要性的特点在组向量中得到充分体现,重要性高的推文将在谣言检测中更受关注,重要性低的则反之;其二是引入了时序向量,时序作为检测谣言的一个关键特征,很好地弥补了CNN天然缺乏时序编码能力的缺陷,并且时序向量能够在训练过程中不断调整,自适应数据集。目前的谣言检测方法中,CNN的效果无论在准确性还是时效性都是最优的,下面用准确率、精确率、召回率、F1值作为检测结果的评价指标,比较本发明和传统CNN的检测结果,详情参考图5的表1,其中R表示谣言,N表示非谣言,GT-CNN表示本发明用到的模型,G-CNN表示本发明去掉时序向量的一个拆除模型,仅用到了组向量的优化方式。对比可以发现,GT-CNN的效果最好,G-CNN的效果次之,表明本发明采用的优化方法确实有积极作用,组向量的优化方法能够使模型侧重于更重要的推文,时序向量的引入能够增强模型感知推文发布时间先后及时长的特征,从而对谣言的检测有更高的准确性。
图3和图4针对早期谣言检测进行对比,以此判断模型的时效性。横坐标表示推文的最大时间间隔,纵坐标表示准确率。可以看出,本发明提出的模型在时效性方面要明显优于传统CNN模型,能够在更短的时间间隔快速地达到更高的准确率。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (1)
1.一种基于CNN优化的社交网络谣言方法,其特征在于,包括以下步骤:
S1.收集微博和推特平台的社交网络数据作为样本数据,对样本数据以事件级别进行整理,描述同一事件的所有推文作为一个样本,并将同一事件样本的推文按发布时间进行排序;
S2.对样本数据进行预处理;
S3.用paragraph2vec方法构建样本矩阵,样本矩阵的行向量为事件样本的一条推文的句向量;
S4.以分组的方式重新构建样本矩阵,根据发布时间间隔均等地将事件样本的所有推文划分为若干组,训练一个权重矩阵,通过卷积、池化提取每组推文的特征,构建组向量;
S5.根据每组的最大时间跨度构建时序向量;
S6.利用时序向量重新构建样本矩阵:将步骤S6得到的时序向量与步骤S5的样本矩阵相乘,得到新的样本矩阵;
S7.采用多层卷积神经网络对样本矩阵进行训练,构建训练模型;
S8.根据训练模型的结果对样本矩阵进行分类,得到事件样本是否为谣言的检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811168129.8A CN109325125B (zh) | 2018-10-08 | 2018-10-08 | 一种基于cnn优化的社交网络谣言检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811168129.8A CN109325125B (zh) | 2018-10-08 | 2018-10-08 | 一种基于cnn优化的社交网络谣言检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109325125A true CN109325125A (zh) | 2019-02-12 |
CN109325125B CN109325125B (zh) | 2022-06-14 |
Family
ID=65261567
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811168129.8A Active CN109325125B (zh) | 2018-10-08 | 2018-10-08 | 一种基于cnn优化的社交网络谣言检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109325125B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110909125A (zh) * | 2019-10-30 | 2020-03-24 | 中山大学 | 推文级社会媒体谣言检测方法 |
CN111460144A (zh) * | 2020-03-12 | 2020-07-28 | 南京理工大学 | 基于时序切分与融合的谣言早期检测算法 |
CN111858928A (zh) * | 2020-06-17 | 2020-10-30 | 北京邮电大学 | 一种基于图结构对抗学习的社交媒体谣言检测方法及装置 |
CN112818011A (zh) * | 2021-01-12 | 2021-05-18 | 南京邮电大学 | 改进的TextCNN与TextRNN谣言识别方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160210367A1 (en) * | 2015-01-20 | 2016-07-21 | Yahoo! Inc. | Transition event detection |
CN107392392A (zh) * | 2017-08-17 | 2017-11-24 | 中国科学技术大学苏州研究院 | 基于深度学习的微博转发预测方法 |
CN107832400A (zh) * | 2017-11-01 | 2018-03-23 | 山东大学 | 一种基于位置的lstm和cnn联合模型进行关系分类的方法 |
CN108427670A (zh) * | 2018-04-08 | 2018-08-21 | 重庆邮电大学 | 一种基于语境词向量和深度学习的情感分析方法 |
US20180247156A1 (en) * | 2017-02-24 | 2018-08-30 | Xtract Technologies Inc. | Machine learning systems and methods for document matching |
CN108536801A (zh) * | 2018-04-03 | 2018-09-14 | 中国民航大学 | 一种基于深度学习的民航微博安保舆情情感分析方法 |
CN108595632A (zh) * | 2018-04-24 | 2018-09-28 | 福州大学 | 一种融合摘要与主体特征的混合神经网络文本分类方法 |
-
2018
- 2018-10-08 CN CN201811168129.8A patent/CN109325125B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160210367A1 (en) * | 2015-01-20 | 2016-07-21 | Yahoo! Inc. | Transition event detection |
US20180247156A1 (en) * | 2017-02-24 | 2018-08-30 | Xtract Technologies Inc. | Machine learning systems and methods for document matching |
CN107392392A (zh) * | 2017-08-17 | 2017-11-24 | 中国科学技术大学苏州研究院 | 基于深度学习的微博转发预测方法 |
CN107832400A (zh) * | 2017-11-01 | 2018-03-23 | 山东大学 | 一种基于位置的lstm和cnn联合模型进行关系分类的方法 |
CN108536801A (zh) * | 2018-04-03 | 2018-09-14 | 中国民航大学 | 一种基于深度学习的民航微博安保舆情情感分析方法 |
CN108427670A (zh) * | 2018-04-08 | 2018-08-21 | 重庆邮电大学 | 一种基于语境词向量和深度学习的情感分析方法 |
CN108595632A (zh) * | 2018-04-24 | 2018-09-28 | 福州大学 | 一种融合摘要与主体特征的混合神经网络文本分类方法 |
Non-Patent Citations (8)
Title |
---|
JING MA等: ""Detecting rumors from microblogs with recurrent neural networks"", 《PROCEEDINGS OF THE TWENTY-FIFTH INTERNATIONAL JOINT CONFERENCE ON ARTIFICIAL INTELLIGENCE》 * |
ROSA SICILIA等: "Health-related rumour detection on Twitter", 《2017 IEEE INTERNATIONAL CONFERENCE ON BIOINFORMATICS AND BIOMEDICINE (BIBM)》 * |
ZHENHUANG YONG等: "Rumors Detection in Sina Weibo Based on Text and User Characteristics", 《2018 2ND IEEE ADVANCED INFORMATION MANAGEMENT,COMMUNICATES,ELECTRONIC AND AUTOMATION CONTROL CONFERENCE (IMCEC)》 * |
ZHIWEI JIN等: "News Credibility Evaluation on Microblog with a Hierarchical Propagation Model", 《2014 IEEE INTERNATIONAL CONFERENCE ON DATA MINING》 * |
仲丽君等: "社交网络异常用户识别技术综述", 《计算机工程与应用》 * |
刘政等: "基于卷积神经网络的谣言检测", 《计算机应用》 * |
武庆圆等: "新话题监测算法的理论与方法研究进展", 《2011 INTERNATIONAL CONFERENCE ON SOFTWARE ENGINEERING AND MULTIMEDIA COMMUNICATION》 * |
陈燕方等: "在线社会网络谣言检测综述", 《计算机学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110909125A (zh) * | 2019-10-30 | 2020-03-24 | 中山大学 | 推文级社会媒体谣言检测方法 |
CN111460144A (zh) * | 2020-03-12 | 2020-07-28 | 南京理工大学 | 基于时序切分与融合的谣言早期检测算法 |
CN111460144B (zh) * | 2020-03-12 | 2022-11-22 | 南京理工大学 | 基于时序切分与融合的谣言早期检测算法 |
CN111858928A (zh) * | 2020-06-17 | 2020-10-30 | 北京邮电大学 | 一种基于图结构对抗学习的社交媒体谣言检测方法及装置 |
CN112818011A (zh) * | 2021-01-12 | 2021-05-18 | 南京邮电大学 | 改进的TextCNN与TextRNN谣言识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109325125B (zh) | 2022-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110457688B (zh) | 纠错处理方法及装置、存储介质和处理器 | |
CN109325125A (zh) | 一种基于cnn优化的社交网络谣言方法 | |
CN104598611B (zh) | 对搜索条目进行排序的方法及系统 | |
CN109829166B (zh) | 基于字符级卷积神经网络的民宿顾客意见挖掘方法 | |
CN111966786B (zh) | 一种微博谣言检测方法 | |
CN107092596A (zh) | 基于attention CNNs和CCR的文本情感分析方法 | |
CN109977416A (zh) | 一种多层次自然语言反垃圾文本方法及系统 | |
CN102411687B (zh) | 未知恶意代码的深度学习检测方法 | |
CN106599933A (zh) | 一种基于联合深度学习模型的文本情感分类方法 | |
CN106855853A (zh) | 基于深度神经网络的实体关系抽取系统 | |
CN107315797A (zh) | 一种网络新闻获取及文本情感预测系统 | |
CN106980858A (zh) | 一种语言文本检测与定位系统及应用该系统的语言文本检测与定位方法 | |
CN105205124B (zh) | 一种基于随机特征子空间的半监督文本情感分类方法 | |
CN110390018A (zh) | 一种基于lstm的社交网络评论生成方法 | |
CN110232280A (zh) | 一种基于树结构卷积神经网络的软件安全漏洞检测方法 | |
CN106202032A (zh) | 一种面向微博短文本的情感分析方法及其系统 | |
CN104408153A (zh) | 一种基于多粒度主题模型的短文本哈希学习方法 | |
KR20190063978A (ko) | 비정형 데이터의 카테고리 자동분류 방법 | |
CN110096711A (zh) | 序列全局关注和局部动态关注的自然语言语义匹配方法 | |
CN108304364A (zh) | 关键词提取方法和装置 | |
CN106649849A (zh) | 文本信息库建立方法和装置、以及搜索方法、装置和系统 | |
CN110472203B (zh) | 一种文章的查重检测方法、装置、设备及存储介质 | |
CN105389505A (zh) | 基于栈式稀疏自编码器的托攻击检测方法 | |
CN113033610B (zh) | 一种多模态融合敏感信息分类检测方法 | |
CN111709244A (zh) | 一种用于矛盾纠纷事件因果关系识别的深度学习方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |