CN111428016A - 一种检测谣言的方法与设备 - Google Patents
一种检测谣言的方法与设备 Download PDFInfo
- Publication number
- CN111428016A CN111428016A CN202010214004.5A CN202010214004A CN111428016A CN 111428016 A CN111428016 A CN 111428016A CN 202010214004 A CN202010214004 A CN 202010214004A CN 111428016 A CN111428016 A CN 111428016A
- Authority
- CN
- China
- Prior art keywords
- rumor
- detection
- module
- detection point
- judgment module
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000001514 detection method Methods 0.000 claims abstract description 255
- 230000015654 memory Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 5
- 230000002787 reinforcement Effects 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 abstract description 4
- 230000005291 magnetic effect Effects 0.000 description 5
- 230000003068 static effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003936 working memory Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
Abstract
本申请的目的是提供一种检测谣言的方案。该方案先按时间线将待处理信息输入包含谣言检测模块和检测点判断模块的谣言检测模型,然后通过所述检测点判断模块确定合适的谣言检测点,当所述谣言检测点确定之后,通过所述谣言检测模块输出所述待处理信息的检测结果。与现有技术相比,本申请新增的检测点判断模块可用于判断当前是否有足够的信息来做出谣言检测的判断,从而实现动态的谣言早期检测。本申请还利用基于深度学习的模型,加上强化学习的训练方法,从而解决谣言检测的准确性和及时性问题。
Description
技术领域
本申请涉及信息技术领域,尤其涉及一种检测谣言的技术。
背景技术
谣言从产生到传播再到造成危害,是要经历一段时间来演化的。在演化的期间会有大量相关信息的发布。谣言早期通常指谣言刚产生的几个小时内,如能在这段时间内发现谣言则可控性较强。
在谣言检测这一工作中,有两个技术难点:(1)难以用人工来标注出好的检测点,同时保证检测准确性和尽可能早发现谣言的需求;(2)检测点的提前对检测准确性会有难以预估的影响。
已有的谣言检测方法多以检测的准确性为重,而忽视了尽可能早的发现谣言的需求。少数涉及谣言早期检测的方法,也只是简单比较不同静态检测点上的准确率来设定一个静态的早期检测点。但是,静态检测点缺乏灵活度,并不是一个理想的方案。
发明内容
本申请的一个目的是提供一种检测谣言的方法与设备,以解决谣言早期检测的问题。
根据本申请的一个方面,提供了一种检测谣言的方法,其中,所述方法包括:
按时间线将待处理信息输入谣言检测模型,其中,所述谣言检测模型包括谣言检测模块和检测点判断模块;
通过所述检测点判断模块确定合适的谣言检测点;
当所述谣言检测点确定,通过所述谣言检测模块输出所述待处理信息的检测结果。
根据本申请的另一个方面,还提供了一种检测谣言的设备,其中,所述设备包括:
输入装置,用于按时间线将待处理信息输入谣言检测模型,其中,所述谣言检测模型包括谣言检测模块和检测点判断模块;
检测点判断装置,用于通过所述检测点判断模块确定合适的谣言检测点;
输出装置,用于当所述谣言检测点确定,通过所述谣言检测模块输出所述待处理信息的检测结果。
根据本申请的又一个方面,还提供了一种计算设备,其中,该设备包括用于存储计算机程序指令的存储器和用于执行计算机程序指令的处理器,其中,当该计算机程序指令被该处理器执行时,触发所述设备执行所述的检测谣言的方法。
根据本申请的又一个方面,还提供了一种计算机可读介质,其上存储有计算机程序指令,所述计算机可读指令可被处理器执行以实现所述的检测谣言的方法。
本申请提供的方案中,先按时间线将待处理信息输入包含谣言检测模块和检测点判断模块的谣言检测模型,然后通过所述检测点判断模块确定合适的谣言检测点,当所述谣言检测点确定之后,通过所述谣言检测模块输出所述待处理信息的检测结果。与现有技术相比,本申请新增的检测点判断模块可用于判断当前是否有足够的信息来做出谣言检测的判断,从而实现动态的谣言早期检测。本申请还利用基于深度学习的模型,加上强化学习的训练方法,从而解决谣言检测的准确性和及时性问题。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其他特征、目的和优点将会变得更明显:
图1是根据本申请实施例的一种检测谣言的方法流程图;
图2是根据本申请实施例的一种谣言检测模型;
图3是根据本申请实施例的一种检测谣言的设备示意图。
附图中相同或相似的附图标记代表相同或相似的部件。
具体实施方式
下面结合附图对本申请作进一步详细描述。
在本申请一个典型的配置中,终端、服务网络的设备和可信方均包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体,可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的装置或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
本申请实施例提供了检测谣言的方法,新增的检测点判断模块可用于判断当前是否有足够的信息来做出谣言检测的判断,从而实现动态的谣言早期检测。本申请实施例利用基于深度学习的模型,加上强化学习的训练方法,从而解决谣言检测的准确性和及时性问题。
在实际场景中,执行该方法的设备可以是用户设备、网络设备或者用户设备与网络设备通过网络相集成所构成的设备。其中,所述用户设备包括但不限于个人计算机(PC)等终端设备,所述网络设备包括但不限于网络主机、单个网络服务器、多个网络服务器集或基于云计算的计算机集合等实现。在此,云由基于云计算(Cloud Computing)的大量主机或网络服务器构成,其中,云计算是分布式计算的一种,由一群松散耦合的计算机集组成的一个虚拟计算机。
图1是根据本申请实施例的一种检测谣言的方法流程图,该方法包括步骤S101、步骤S102和步骤S103。
步骤S101,按时间线将待处理信息输入谣言检测模型,其中,所述谣言检测模型包括谣言检测模块和检测点判断模块。
例如,所述待处理信息包括但不限于微博、推特、微信、脸书等社交平台上的新发布、评论、转发等信息。具体地,可以按时间线将所述待处理信息逐个输入所述谣言检测模型,如图2所示,按照时间线逐个输入所述待处理信息:x0、x1……xN。其中,时间线上较早时间的输入可能由于社交平台上新发布、转发的数量较少,信息不足,难以判断出是否是谣言;时间线上较晚时间的输入则相对容易判断出是否是谣言。
在一个实施例中,如图2所示,所述谣言检测模块(Rumor Detection Module)可以采用深度神经网络,具体地,所述谣言检测模块(Rumor Detection Module)包括词嵌入层(Words Embedding Layer)、最大池化层(Max-pooling Layer)、GRU层(GRULayer,GateRecurrent Unit Layer)。其中,GRU作为一种循环神经网络,可以将新的信息不断地输入网络来更新输出。所述谣言检测模块用于检测当前输入的所述待处理信息是否为谣言。
在一个实施例中,如图2所示,所述检测点判断模块(CheckpointModule)可以采用深度神经网络,具体地,所述检测点判断模块(CheckpointModule)包括前馈神经网络,将所述谣言检测模块GRU层的输出作为所述检测点判断模块的输入。所述检测点判断模块用于判断当前检测点(即GRU层的当前输出)是否适合做出谣言的检测结果。
当然,本领域技术人员应能理解上述深度神经网络仅为举例,其他现有的或今后可能出现的模型如可适用于本申请,也应包含在本申请保护范围以内,并在此以引用方式包含于此。
在一个实施例中,所述谣言检测模型的训练过程包括:先训练所述谣言检测模块;再训练所述检测点判断模块;交替训练所述谣言检测模块和所述检测点判断模块。例如,可以采用如下的训练顺序:(1)所述谣言检测模块-(2)所述检测点判断模块-(3)所述谣言检测模块-(4)所述检测点判断模块……如此,利用强化学习来交替训练所述谣言检测模型的两个模块。其中,所述检测点判断模块的首次训练完成之后,以后每次训练所述谣言检测模块都会按照所述检测点判断模块给出的新检测点来进行训练,例如,接上例,按照训练(2)所述检测点判断模块得到的新检测点来训练(3)所述谣言检测模块。
在一个实施例中,训练所述谣言检测模块,包括:训练所述谣言检测模块直至达到预定的检测准确度。例如,可以用整条时间线上的所有信息流作为所述谣言检测模块的输入来进行训练,使所述谣言检测模块达到预定的检测准确度后停止训练。
在一个实施例中,训练所述检测点判断模块,包括:将所述GRU层的输出作为所述检测点判断模块的输入,通过所述检测点判断模块判断所述GRU层的当前输出是否是合适的谣言检测点;若是,则根据所述GRU层的当前输出计算得到谣言的概率,并给出相应的奖惩值;若不是,则将继续将所述GRU层的下一个输出作为所述检测点判断模块的输入。
具体地,可以将所述GRU层的输出(例如图2中的h0、h1……hN)依次作为所述检测点判断模块的输入,由所述检测点判断模块判断所述GRU层的当前输出是否是合适的检测点,即判断所述GRU层的当前输出是否有足够的信息来做出谣言的检测结果。若所述GRU层的当前输出是合适的检测点,则根据所述谣言检测模型以所述GRU层的当前输出去计算谣言的概率(即仅使用了该检测点前的信息),并给出相应的奖惩值;其中,可以根据所述谣言检测模块给出的预测和真实标签对比以及时间上的早晚给出奖惩值,该奖惩值可为正亦可为负,为负的情况可理解为惩罚。若所述GRU层的当前输出不是合适的检测点,则继续将所述GRU层的下一个输出作为所述检测点判断模块的输入,并且可以给出一个小的惩罚系数使其能尽早提出检测点。
步骤S102,通过所述检测点判断模块确定合适的谣言检测点。
例如,所述检测点判断模块用于判断当前检测点是否适合做出谣言的检测结果,即判断所述GRU层的当前输出是否有足够的信息来做出谣言的检测结果。其中,时间较早的输出由于信息不足等原因,更难做出判断;时间较晚的输出则相对容易做出判断。如图2所示,所述检测点判断模块(CheckpointModule)可以采用深度神经网络,具体地,所述检测点判断模块(CheckpointModule)可以包括前馈神经网络。
在一个实施例中,步骤S102包括:将所述GRU层的输出作为所述检测点判断模块的输入,通过所述检测点判断模块确定合适的谣言检测点。具体地,先将所述GRU层的当前输出作为所述检测点判断模块的输入,通过所述检测点判断模块判断所述GRU层的当前输出是否是合适的谣言检测点;若所述GRU层的当前输出不是合适的谣言检测点,则继续将所述GRU层的下一个输出作为所述检测点判断模块的输入,通过所述检测点判断模块判断所述GRU层的下一个输出是否是合适的谣言检测点。
步骤S103,当所述谣言检测点确定,通过所述谣言检测模块输出所述待处理信息的检测结果。
例如,所述谣言检测模块包括所述GRU层,当所述GRU层的输出确定为合适的谣言检测点,可以根据所述GRU层的该输出计算得到谣言的概率,作为所述检测结果输出。
图3是根据本申请实施例的一种检测谣言的设备示意图,该设备包括输入装置301、检测点判断装置302和输出装置303。
输入装置301按时间线将待处理信息输入谣言检测模型,其中,所述谣言检测模型包括谣言检测模块和检测点判断模块。
例如,所述待处理信息包括但不限于微博、推特、微信、脸书等社交平台上的新发布、评论、转发等信息。具体地,可以按时间线将所述待处理信息逐个输入所述谣言检测模型,如图2所示,按照时间线逐个输入所述待处理信息:x0、x1……xN。其中,时间线上较早时间的输入可能由于社交平台上新发布、转发的数量较少,信息不足,难以判断出是否是谣言;时间线上较晚时间的输入则相对容易判断出是否是谣言。
在一个实施例中,如图2所示,所述谣言检测模块(Rumor Detection Module)可以采用深度神经网络,具体地,所述谣言检测模块(Rumor Detection Module)包括词嵌入层(Words Embedding Layer)、最大池化层(Max-pooling Layer)、GRU层(GRULayer,GateRecurrent Unit Layer)。其中,GRU作为一种循环神经网络,可以将新的信息不断地输入网络来更新输出。所述谣言检测模块用于检测当前输入的所述待处理信息是否为谣言。
在一个实施例中,如图2所示,所述检测点判断模块(CheckpointModule)可以采用深度神经网络,具体地,所述检测点判断模块(CheckpointModule)包括前馈神经网络,将所述谣言检测模块GRU层的输出作为所述检测点判断模块的输入。所述检测点判断模块用于判断当前检测点(即GRU层的当前输出)是否适合做出谣言的检测结果。
当然,本领域技术人员应能理解上述深度神经网络仅为举例,其他现有的或今后可能出现的模型如可适用于本申请,也应包含在本申请保护范围以内,并在此以引用方式包含于此。
在一个实施例中,所述谣言检测模型的训练过程包括:先训练所述谣言检测模块;再训练所述检测点判断模块;交替训练所述谣言检测模块和所述检测点判断模块。例如,可以采用如下的训练顺序:(1)所述谣言检测模块-(2)所述检测点判断模块-(3)所述谣言检测模块-(4)所述检测点判断模块……如此,利用强化学习来交替训练所述谣言检测模型的两个模块。其中,所述检测点判断模块的首次训练完成之后,以后每次训练所述谣言检测模块都会按照所述检测点判断模块给出的新检测点来进行训练,例如,接上例,按照训练(2)所述检测点判断模块得到的新检测点来训练(3)所述谣言检测模块。
在一个实施例中,训练所述谣言检测模块,包括:训练所述谣言检测模块直至达到预定的检测准确度。例如,可以用整条时间线上的所有信息流作为所述谣言检测模块的输入来进行训练,使所述谣言检测模块达到预定的检测准确度后停止训练。
在一个实施例中,训练所述检测点判断模块,包括:将所述GRU层的输出作为所述检测点判断模块的输入,通过所述检测点判断模块判断所述GRU层的当前输出是否是合适的谣言检测点;若是,则根据所述GRU层的当前输出计算得到谣言的概率,并给出相应的奖惩值;若不是,则将继续将所述GRU层的下一个输出作为所述检测点判断模块的输入。
具体地,可以将所述GRU层的输出(例如图2中的h0、h1……hN)依次作为所述检测点判断模块的输入,由所述检测点判断模块判断所述GRU层的当前输出是否是合适的检测点,即判断所述GRU层的当前输出是否有足够的信息来做出谣言的检测结果。若所述GRU层的当前输出是合适的检测点,则根据所述谣言检测模型以所述GRU层的当前输出去计算谣言的概率(即仅使用了该检测点前的信息),并给出相应的奖惩值;其中,可以根据所述谣言检测模块给出的预测和真实标签对比以及时间上的早晚给出奖惩值,该奖惩值可为正亦可为负,为负的情况可理解为惩罚。若所述GRU层的当前输出不是合适的检测点,则继续将所述GRU层的下一个输出作为所述检测点判断模块的输入,并且可以给出一个小的惩罚系数使其能尽早提出检测点。
检测点判断装置302通过所述检测点判断模块确定合适的谣言检测点。
例如,所述检测点判断模块用于判断当前检测点是否适合做出谣言的检测结果,即判断所述GRU层的当前输出是否有足够的信息来做出谣言的检测结果。其中,时间较早的输出由于信息不足等原因,更难做出判断;时间较晚的输出则相对容易做出判断。如图2所示,所述检测点判断模块(CheckpointModule)可以采用深度神经网络,具体地,所述检测点判断模块(CheckpointModule)可以包括前馈神经网络。
在一个实施例中,检测点判断装置302将所述GRU层的输出作为所述检测点判断模块的输入,通过所述检测点判断模块确定合适的谣言检测点。具体地,先将所述GRU层的当前输出作为所述检测点判断模块的输入,通过所述检测点判断模块判断所述GRU层的当前输出是否是合适的谣言检测点;若所述GRU层的当前输出不是合适的谣言检测点,则继续将所述GRU层的下一个输出作为所述检测点判断模块的输入,通过所述检测点判断模块判断所述GRU层的下一个输出是否是合适的谣言检测点。
输出装置303当所述谣言检测点确定,通过所述谣言检测模块输出所述待处理信息的检测结果。
例如,所述谣言检测模块包括所述GRU层,当所述GRU层的输出确定为合适的谣言检测点,可以根据所述GRU层的该输出计算得到谣言的概率,作为所述检测结果输出。
综上所述,本申请实施例提供的方案利用基于深度学习的神经网络模型来处理信息,新增的检测点判断模块可用于判断当前是否有足够的信息来做出谣言检测的判断,而且可以根据不同谣言事件的特性、难度来动态地选取检测点,从而实现动态的谣言早期检测,还可以解决谣言检测的准确性和及时性问题。
另外,本申请的一部分可被应用为计算机程序产品,例如计算机程序指令,当其被计算机执行时,通过该计算机的操作,可以调用或提供根据本申请的方法和/或技术方案。而调用本申请的方法的程序指令,可能被存储在固定的或可移动的记录介质中,和/或通过广播或其他信号承载媒体中的数据流而被传输,和/或被存储在根据程序指令运行的计算机设备的工作存储器中。在此,本申请的一些实施例提供了一种计算设备,该设备包括用于存储计算机程序指令的存储器和用于执行计算机程序指令的处理器,其中,当该计算机程序指令被该处理器执行时,触发所述设备执行前述本申请的多个实施例的方法和/或技术方案。
此外,本申请的一些实施例还提供了一种计算机可读介质,其上存储有计算机程序指令,所述计算机可读指令可被处理器执行以实现前述本申请的多个实施例的方法和/或技术方案。
需要注意的是,本申请可在软件和/或软件与硬件的组合体中被实施,例如,可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一些实施例中,本申请的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地,本申请的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中,例如,RAM存储器,磁或光驱动器或软磁盘及类似设备。另外,本申请的一些步骤或功能可采用硬件来实现,例如,作为与处理器配合从而执行各个步骤或功能的电路。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其他的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
Claims (10)
1.一种检测谣言的方法,其中,所述方法包括:
按时间线将待处理信息输入谣言检测模型,其中,所述谣言检测模型包括谣言检测模块和检测点判断模块;
通过所述检测点判断模块确定合适的谣言检测点;
当所述谣言检测点确定,通过所述谣言检测模块输出所述待处理信息的检测结果。
2.根据权利要求1所述的方法,其中,所述谣言检测模块包括:
词嵌入层;
最大池化层;
GRU层。
3.根据权利要求2所述的方法,其中,通过所述检测点判断模块确定合适的谣言检测点,包括:
将所述GRU层的输出作为所述检测点判断模块的输入,通过所述检测点判断模块确定合适的谣言检测点。
4.根据权利要求1至3中任一项所述的方法,其中,所述检测点判断模块包括:
前馈神经网络。
5.根据权利要求1至4中任一项所述的方法,其中,所述谣言检测模型的训练过程包括:
先训练所述谣言检测模块;
再训练所述检测点判断模块;
交替训练所述谣言检测模块和所述检测点判断模块。
6.根据权利要求5所述的方法,其中,训练所述谣言检测模块,包括:
训练所述谣言检测模块直至达到预定的检测准确度。
7.根据权利要求5或6所述的方法,其中,训练所述检测点判断模块,包括:
将所述GRU层的输出作为所述检测点判断模块的输入,通过所述检测点判断模块判断所述GRU层的当前输出是否是合适的谣言检测点;
若是,则根据所述GRU层的当前输出计算得到谣言的概率,并给出相应的奖惩值;
若不是,则继续将所述GRU层的下一个输出作为所述检测点判断模块的输入。
8.一种检测谣言的设备,其中,所述设备包括:
输入装置,用于按时间线将待处理信息输入谣言检测模型,其中,所述谣言检测模型包括谣言检测模块和检测点判断模块;
检测点判断装置,用于通过所述检测点判断模块确定合适的谣言检测点;
输出装置,用于当所述谣言检测点确定,通过所述谣言检测模块输出所述待处理信息的检测结果。
9.一种计算设备,其中,该设备包括用于存储计算机程序指令的存储器和用于执行计算机程序指令的处理器,其中,当该计算机程序指令被该处理器执行时,触发所述设备执行权利要求1至7中任一项所述的方法。
10.一种计算机可读介质,其上存储有计算机程序指令,所述计算机可读指令可被处理器执行以实现如权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010214004.5A CN111428016A (zh) | 2020-03-24 | 2020-03-24 | 一种检测谣言的方法与设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010214004.5A CN111428016A (zh) | 2020-03-24 | 2020-03-24 | 一种检测谣言的方法与设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111428016A true CN111428016A (zh) | 2020-07-17 |
Family
ID=71549732
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010214004.5A Pending CN111428016A (zh) | 2020-03-24 | 2020-03-24 | 一种检测谣言的方法与设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111428016A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112528626A (zh) * | 2020-12-15 | 2021-03-19 | 中国联合网络通信集团有限公司 | 一种检测恶意语言的方法、装置、设备及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108491480A (zh) * | 2018-03-12 | 2018-09-04 | 义语智能科技(上海)有限公司 | 谣言检测方法及设备 |
-
2020
- 2020-03-24 CN CN202010214004.5A patent/CN111428016A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108491480A (zh) * | 2018-03-12 | 2018-09-04 | 义语智能科技(上海)有限公司 | 谣言检测方法及设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112528626A (zh) * | 2020-12-15 | 2021-03-19 | 中国联合网络通信集团有限公司 | 一种检测恶意语言的方法、装置、设备及存储介质 |
CN112528626B (zh) * | 2020-12-15 | 2023-11-21 | 中国联合网络通信集团有限公司 | 一种检测恶意语言的方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106202453B (zh) | 一种多媒体资源推荐方法和装置 | |
US20180375948A1 (en) | Implicit Geolocation of Social Networking Users | |
WO2021174811A1 (zh) | 车流量时间序列的预测方法及预测装置 | |
TWI764148B (zh) | 風險預測和風險預測模型的訓練方法、裝置及電子設備 | |
CN110221959B (zh) | 应用程序的测试方法、设备以及计算机可读介质 | |
WO2016145993A1 (zh) | 一种用户设备识别方法及系统 | |
US11500971B2 (en) | System for creating music publishing agreements from metadata of a digital audio workstation | |
US20190197077A1 (en) | Machine learning based identification of broken network connections | |
WO2017197330A1 (en) | Two-stage training of a spoken dialogue system | |
CN108600083B (zh) | 消息提醒方法及设备 | |
US11972382B2 (en) | Root cause identification and analysis | |
AU2013281102A1 (en) | Performance of predicted actions | |
US9602563B2 (en) | Selective content delivery in a real-time streaming environment | |
CN111062770B (zh) | 商户识别方法、设备及计算机可读介质 | |
US20240037070A1 (en) | Pre-reading method and system of kernel client, and computer-readable storage medium | |
CN111428016A (zh) | 一种检测谣言的方法与设备 | |
CN106354587A (zh) | 镜像服务器以及导出虚拟机镜像文件的方法 | |
CN111830595A (zh) | 气象要素的预测方法及设备 | |
CN113449217A (zh) | 迁移轨迹、热力图生成及网点确定的方法、设备 | |
CN111951024A (zh) | 举报信息处理方法、设备及计算机可读介质 | |
CN111767937A (zh) | 目标检测模型训练方法、装置、电子设备及存储介质 | |
TWI574169B (zh) | 解決方案搜尋系統之操作方法及解決方案搜尋系統 | |
CN114430427B (zh) | 一种同一身份的消息管理的方法、存储介质及设备 | |
CN107665258A (zh) | 文件系统可用性确定方法及装置 | |
CN113076335B (zh) | 一种网络模因检测方法、系统、设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200717 |