CN112241456B - 基于关系网络与注意力机制的假新闻预测方法 - Google Patents
基于关系网络与注意力机制的假新闻预测方法 Download PDFInfo
- Publication number
- CN112241456B CN112241456B CN202011499339.2A CN202011499339A CN112241456B CN 112241456 B CN112241456 B CN 112241456B CN 202011499339 A CN202011499339 A CN 202011499339A CN 112241456 B CN112241456 B CN 112241456B
- Authority
- CN
- China
- Prior art keywords
- news
- vector
- network
- feature vector
- side information
- 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.)
- Active
Links
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
- G06F16/35—Clustering; Classification
-
- 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
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Animal Behavior & Ethology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了基于关系网络与注意力机制的假新闻预测方法,该方法包括首先获取新闻的文本特征向量与关系网络特征向量;再通过两层神经网络将文本特征向量与关系网络特征向量进行融合,获取新闻预测函数;最后结合新闻预测函数对分类预测模型进行优化,得到新闻的最终预测分类函数;该方法在多源、多类型特征引入预测假新闻的基础上,通过获取新闻边信息关系网络结构获得关系网络特征向量,将关系网络特征向量与新闻自身文本特征向量进行融合获得新闻预测函数;在关系网络特征向量的获取中引入注意力机制,通过注意力权重获得更准确的关系网络特征向量;采用多任务训练的方式通过对多个任务相互优化获得更好的新闻预测效果。
Description
技术领域
本发明涉及信息识别处理技术领域,具体而言,涉及一种基于关系网络与注意力机制的假新闻预测方法。
背景技术
随着移动互联网和智能手机技术的飞速发展,网络媒体逐渐代替传统的媒体,由于其便捷性、时效性和开放性,网络媒体为人们提供了丰富的信息来源,受众人群逐年递增。与此同时,由于网络新闻的便捷性和低门槛性等特性,造成网络媒体的新闻质量远低于传统媒体,假新闻便是其中最典型的体现。一些别有用心的作者编撰出包含虚假信息的新闻在网络上非法传播,对用户造成一定程度的误导,同时也给社会和经济造成了影响和损失。假新闻大多具有迷惑性,普通民众识别假新闻具有很大难度,虽然目前大多数的网络媒体都具有举报和澄清机制,但这也不能完全解决假新闻的影响和传播,因此如何自动的判别假新闻成为亟待解决的问题。
针对以上问题,学术界进行大量的研究和探索。一般来说,虚假新闻与真实新闻相比在文字上存在许多不同,虚假新闻在文字上更偏向于使用大量带有情感性的名词或形容词以博取眼球,因此前期研究大部分的方法尝试从新闻及其评论中提取特征。例如采用传统机器学习的特征工程方法从新闻内容中提取特征,或从新闻评论着手识别虚假新闻,或结合新闻内容和评论进行虚假新闻识别。然而,新闻文字的特征毕竟有限,在有些场景下并不能取的较好效果。
而新闻的边信息(Side Information)如新闻发布者,主题等,可以帮助模型更准确的识别虚假新闻。例如,曾发布虚假新闻的发布者更可能发布新的虚假新闻。相反,如果发布者的职业是某政府雇员那么其发布新闻的可信度则相对较高。因此,有研究利用这些边信息并结合新闻内容进行虚假新闻识别,最终取得的较好的效果。但这些研究把新闻边信息看作额外的一段文字,例如一条新闻,其主题是“政治”,而模型将“政治“看作单独一个词,并将这个词和内容文字结合进行预测。这种方式使得新闻的文字特征更为丰富多样,提高了虚假新闻的识别效果。但这些方法将边信息视作文字来使用,而忽略边信息与新闻间的网络结构特征。如申请号为202010367249 .1的中国发明专利公开了新闻类别检测方法及系统,其进一步的将新闻的内容文本与社会属性文本进行结合来检测新闻,但是其也仅是对新闻的社会属性如作者立场或传播轨迹与内容文字结合进行预测,并未进一步对社会属性信息的网络结构进行剖析以增加检测的准确性。
新闻及其边信息是一个典型的关系网络,该网络可以通过知识图谱来描述,如图1所示。从图1中我们可以直观的发现不同的新闻在知识图谱中呈现不同的网络特征,例如新闻1的网络特征和新闻2不同,因为其连接的邻居节点不同,相反,新闻2和新闻3的网络特征则较为相似,因为两条新闻拥有共同作者。如果将这种网络特征融入模型中并与文字特征结合,可以辅助识别虚假信息。另外,从图1中也可以发现不同的邻居节点对中心节点的影响权重也不尽相同,例如新闻3和新闻2如果都为虚假新闻时,很有可能的情况就是这两个新闻的共同邻居节点“作者2”是一个假新闻发布者,此时对于节点“新闻3”而言,邻居节点“作者2”的影响权重应当高于其他节点。
为有效的利用新闻知识图谱中的网络特征以提高虚假新闻识别的性能,本文提出一种结合新闻边信息关系网络和新闻内容识别虚假新闻的方法。
发明内容
本发明的目的在于提供基于关系网络与注意力机制的假新闻预测方法,其能够提供更准确的假新闻预测识别效果。
本发明的实施例通过以下技术方案实现:
基于关系网络与注意力机制的假新闻预测方法,该方法包括:
根据新闻自身信息构建分类预测模型;
获取新闻的文本特征向量与关系网络特征向量;
通过两层神经网络将文本特征向量与关系网络特征向量进行融合,获取新闻预测函数;
结合新闻预测函数对分类预测模型进行优化,得到新闻的最终预测分类函数。
进一步的,所述根据新闻自身信息构建分类预测模型之前还包括,获取新闻的文本内容以及边信息;所述边信息包括新闻的作者、主题、作者的所在地和作者的职业,并将新闻的边信息构建成边信息关系网络,将边信息关系网络记为三元组,其中h表示头结点向量,r表示关系向量,t表示尾节点向量,E表示实体向量的集合,K表示所有关系向量的集合, ,s表示当前知识图谱中存在的所有三元组集合;并根据新闻内容与表示边信息关系网络的三元组构建所述分类预测模型。
通过对矩阵X进行卷积获取特征提取式(1),
进一步的,所述关系网络特征向量的获取包括,获取边信息关系网中节点的网络特征,再根据知识图谱表示学习的方法transH获得边信息关系网中节点的表示向量e h ,再根据邻居节点的向量来获取表示中心节点的关系网络特征向量 。
其中d(h+r,t)为h+r与t的距离,t′由负采样获取,表示和h,r没有关系的任意尾节点向量。
其中,e t 为边信息关系网中邻居节点的表示向量。
进一步的,所述通过两层神经网络将文本特征向量与关系网络特征向量进行融合,获取新闻预测函数包括,将所述文本特征向量 与关系网络特征向量 拼接后送入两层神经网络中得到新闻的预测函数p i ,得到式(6),
其中,‖表示两个向量的拼接,W 3、W 4为可学习的参数,b 3、b 4偏置项。
进一步的,该方法还包括结合所述预测函数通过交叉熵损失函数对所述分类预测模型进行优化获得优化分类预测模型L c ,如式(7),
其中,y i 为预测标签。
进一步的,该方法还包括通过多任务训练对优化分类预测模型再优化,所述多任务训练为将基于边信息关系网络表示学习的目标函数式(3)与优化分类的目标函数式(7)合并,同时引入L2正则项,得到最终预测分类函数式(8),
本发明实施例的技术方案至少具有如下优点和有益效果:
本方法在多源、多类型特征引入预测假新闻的基础上,通过获取新闻边信息关系网络结构获得关系网络特征向量,将关系网络特征向量与新闻自身文本特征向量进行融合获得新闻预测函数;在关系网络特征向量的获取中引入注意力机制,通过注意力权重获得更准确的关系网络特征向量;采用多任务训练的方式通过对多个任务相互优化获得更好的新闻预测效果。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为新闻边信息组成的关系网络;
图2为本发明的方法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供基于关系网络与注意力机制的假新闻预测方法,该方法提出一种结合新闻边信息关系网络特征和文本特征的端对端的注意力网络,如图2所示,该方法包括:
S1.获取新闻的文本内容以及边信息,构建一个新闻分类预测模型;
S2.获取新闻的文本特征向量与关系网络特征向量;
S3.通过两层神经网络将文本特征向量与关系网络特征向量进行融合,获取新闻预测函数;
S4.结合新闻预测函数通过交叉熵损失函数对分类预测模型进行优化,再通过多任务训练对优化后的所述分类预测模型进行再次优化得到新闻的最终预测分类函数。
在本实施例中,S1具体包括,获取新闻集,包含d条新闻,每一条新闻i包含新闻内容a i ,以及新闻边信息,另外, 代表新闻的标签集;利用新闻集的边信息构建边信息关系网络,将边信息关系网络记为三元组,其中h表示头结点向量,r表示关系向量,t表示尾节点向量,E表示实体向量的集合,K表示所有关系向量的集合, ,s表示当前知识图谱中存在的所有三元组集合;如三元组,表示发布了一篇新闻 ;进而学习一个模型f,该模型输入新闻内容a i ,新闻i的边信息所构成的全部三元组集合s,输出该新闻的预测标签 ,即。
需要知晓的是,边信息关系网络属于知识图谱的范畴,该边信息关系网络主要在于将新闻的边信息如新闻的作者、主题、作者的所在地和作者的职业、作者的信用记录、新闻的首发媒体等进行关系组网,形成基于新闻边信息的知识图谱,进而将新闻的文本内容与基于新闻边信息所形成的知识图谱进行特征融合,从而得到更准确的新闻预测效果。
S2包括根据新闻的文本内容获得文本特征向量以及通过边信息关系网络获取关系网络特征向量;文本特征向量的获取具体包括,采用卷积神经网络对文本特征进行提取,该卷积神经网络其中主要包括词嵌入层、卷积层和池化层;新闻i由n个词构成, 属于词典V,词典V即所有词汇的集合,此处的词汇可以是模型训练中的词,表示新闻i的词组集中的任意词。
关系网络特征向量的获取具体包括,从构建好的边信息关系网络中获取新闻节点的关系网络特征;在根据表示学习方法transH模型获取节点的表示向量e h ,然后再根据邻居节点的向量来表示中心节点的关系网络特征向量记为;为了更准确的表示关系网络特征向量,引入注意力机制,将注意力集中到某些邻居节点中,从而获得更为准确的网络特征向量。
本实施例中,采用表示学习方法transH模型将边信息关系网络中的实体和关系向量化,需要知晓的是,表示学习是将边信息关系网络中的实体和关系向量化的途径之一;由于在transH模型中,实体和关系被表示为低维稠密向量,因此在表示边信息关系网络的三元组 中,头结点向量h和关系向量r的和应当与尾节点向量t越接近越好,因此有;进而采用如式(3)的目标函数优化模型,
由于在新闻边信息关系网络中存在大量的一对多或多对一关系,例如一个新闻发布者发布了多条新闻;为了解决边信息关系网络中的一对多和多对一关系,transH模型提出让一个实体在不同的关系下拥有不同的表示。因此对式(3)中的向量h,t进行了如下变换,
最终将新的向量h r ,t r 带入式(3)中替换相应的h,t可得到新的目标函数。
由于边信息关系网络中的节点特征向量可表示为其邻居节点的线性或非线性的组合;对于一个新闻实体h,使用表示以h作为中心结点的所有三元组的集合;对于中心结点的关系网络特征向量可通过与它直接相连的节点来线性组合来表示;其中最简单的计算方式是所有邻居节点的平均池化,但是,不同的邻居节点对中心节点的影响权重不尽相同,因此引入注意力权重a t ;其计算过程如式(4)所示,
其中,e t 为边信息关系网中邻居节点的表示向量。注意力权重值的计算如下式,
其中是三元组尾节点在相应的关系空间的表示,而 则是头节点在相应的关系空间的表示,由于 与t r 越接近关系越密切,因此采用向量的内积体现两个向量的相似度,内积越大两个向量在当前关系下越重要,因此通过下式得到中心节点与各邻居节点的权重值,
其中,‖表示两个向量的拼接,W 3、W 4为可学习的参数,b 3、b 4偏置项。
由于虚假新闻的识别在实质上是分类问题,因此继续执行S4,具体包括使用交叉熵损失函数来优化分类模型,得到下式(7),
其中,y i 为预测标签。
由于为了使模型在预测分类时能够学到边信息关系网络的表示向量,采用多任务训练的方式来进一步优化模型;多任务训练可以通过多个任务相互优化而取得更好的效果,因此将基于边信息关系网络表示学习的目标函数式(3)和优化分类的目标函数(7)合并,得到最终预测分类函数式(8)
可见,本方法在多源、多类型特征引入预测假新闻的基础上,通过获取新闻边信息关系网络结构获得关系网络特征向量,将关系网络特征向量与新闻自身文本特征向量进行融合获得新闻预测函数;在关系网络特征向量的获取中引入注意力机制,通过注意力权重获得更准确的关系网络特征向量;采用多任务训练的方式通过对多个任务相互优化获得更好的新闻预测效果。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.基于关系网络与注意力机制的假新闻预测方法,其特征在于,该方法包括:
获取新闻的文本内容以及边信息;所述边信息包括新闻的作者、主题、作者的所在地和作者的职业,并将新闻的边信息构建成边信息关系网络,将边信息关系网络记为三元组,其中h表示头结点向量,r表示关系向量,t表示尾节点向量,E表示实体向量的集合,K表示所有关系向量的集合,, s表示当前知识图谱中存在的所有三元组集合;并根据新闻内容与表示边信息关系网络的三元组构建分类预测模型;
获取新闻的文本特征向量与关系网络特征向量;具体包括:
通过对矩阵X进行卷积获取特征提取式(1),
所述关系网络特征向量的获取包括,获取边信息关系网中节点的网络特征,再根据知识图谱表示学习的方法transH获得边信息关系网中节点的表示向量,再根据邻居节点的向量来获取表示中心节点的关系网络特征向量;获取关系网络特征向量时引入注意力权重a t ,得到式(4),
其中,e t 为边信息关系网中邻居节点的表示向量;
其中d(h+r,t)为h+r与t的距离,t′由负采样获取,表示和h,r没有关系的任意尾节点向量;
其中,‖表示两个向量的拼接,W 3、W 4为可学习的参数,b 3、b 4偏置项;
最后,结合所述预测函数通过交叉熵损失函数对所述分类预测模型进行优化获得优化分类预测模型L c ,如式(7),
其中,y i 为预测标签;
再通过多任务训练对优化分类预测模型再优化,所述多任务训练为将基于边信息关系网络表示学习的目标函数式(3)与优化分类的目标函数式(7)合并,同时引入L2正则项,得到最终预测分类函数式(8),
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011499339.2A CN112241456B (zh) | 2020-12-18 | 2020-12-18 | 基于关系网络与注意力机制的假新闻预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011499339.2A CN112241456B (zh) | 2020-12-18 | 2020-12-18 | 基于关系网络与注意力机制的假新闻预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112241456A CN112241456A (zh) | 2021-01-19 |
CN112241456B true CN112241456B (zh) | 2021-04-27 |
Family
ID=74175238
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011499339.2A Active CN112241456B (zh) | 2020-12-18 | 2020-12-18 | 基于关系网络与注意力机制的假新闻预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112241456B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113177110B (zh) * | 2021-05-28 | 2022-09-16 | 中国人民解放军国防科技大学 | 一种虚假新闻检测方法、装置、计算机设备和存储介质 |
CN113743495B (zh) * | 2021-08-31 | 2024-02-13 | 华中师范大学 | 一种基于注意力机制的学习风格识别方法及系统 |
CN114218457B (zh) * | 2021-11-22 | 2024-04-12 | 西北工业大学 | 一种基于转发社交媒体用户表征的假新闻检测方法 |
CN114328765B (zh) * | 2022-03-04 | 2022-05-31 | 四川大学 | 新闻传播预测方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110032646A (zh) * | 2019-05-08 | 2019-07-19 | 山西财经大学 | 基于多源领域适应联合学习的跨领域文本情感分类方法 |
CN111027454A (zh) * | 2019-12-06 | 2020-04-17 | 西安电子科技大学 | 基于深度密集连接和度量学习的sar舰船目标分类方法 |
CN111046664A (zh) * | 2019-11-26 | 2020-04-21 | 哈尔滨工业大学(深圳) | 基于多粒度的图卷积神经网络的假新闻检测方法及系统 |
CN111125358A (zh) * | 2019-12-17 | 2020-05-08 | 北京工商大学 | 一种基于超图的文本分类方法 |
CN111544855A (zh) * | 2020-04-30 | 2020-08-18 | 天津大学 | 基于蒸馏学习和深度学习纯意念控制智能康复方法及应用 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190332961A1 (en) * | 2018-04-30 | 2019-10-31 | Deckard Technologies, Inc. | Detecting, prioritizing, and validating unpermitted renovation events through data mining, natural language processing, and machine learning |
US20210334908A1 (en) * | 2018-09-21 | 2021-10-28 | Kai SHU | Method and Apparatus for Collecting, Detecting and Visualizing Fake News |
CN110275965B (zh) * | 2019-06-27 | 2021-12-21 | 卓尔智联(武汉)研究院有限公司 | 假新闻检测方法、电子装置及计算机可读存储介质 |
CN110334213B (zh) * | 2019-07-09 | 2021-05-11 | 昆明理工大学 | 基于双向交叉注意力机制的汉越新闻事件时序关系识别方法 |
CN111061843B (zh) * | 2019-12-26 | 2023-08-25 | 武汉大学 | 一种知识图谱引导的假新闻检测方法 |
CN111475649B (zh) * | 2020-04-02 | 2023-04-07 | 中国人民解放军国防科技大学 | 基于深度学习的虚假新闻预测方法、系统、装置、介质 |
CN111680120B (zh) * | 2020-04-30 | 2022-06-03 | 中国科学院信息工程研究所 | 新闻类别检测方法及系统 |
CN111639252A (zh) * | 2020-05-18 | 2020-09-08 | 华中科技大学 | 一种基于新闻-评论关联性分析的虚假新闻识别方法 |
CN111639258B (zh) * | 2020-05-20 | 2023-09-22 | 苏州遐迩信息技术有限公司 | 一种基于神经网络的新闻推荐方法 |
-
2020
- 2020-12-18 CN CN202011499339.2A patent/CN112241456B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110032646A (zh) * | 2019-05-08 | 2019-07-19 | 山西财经大学 | 基于多源领域适应联合学习的跨领域文本情感分类方法 |
CN111046664A (zh) * | 2019-11-26 | 2020-04-21 | 哈尔滨工业大学(深圳) | 基于多粒度的图卷积神经网络的假新闻检测方法及系统 |
CN111027454A (zh) * | 2019-12-06 | 2020-04-17 | 西安电子科技大学 | 基于深度密集连接和度量学习的sar舰船目标分类方法 |
CN111125358A (zh) * | 2019-12-17 | 2020-05-08 | 北京工商大学 | 一种基于超图的文本分类方法 |
CN111544855A (zh) * | 2020-04-30 | 2020-08-18 | 天津大学 | 基于蒸馏学习和深度学习纯意念控制智能康复方法及应用 |
Non-Patent Citations (1)
Title |
---|
基于深度学习的微博新闻谣言检测研究与实现;郭增荣;《中国优秀硕士学位论文全文数据库 信息科技辑》;20190815(第8期);I138-1431 * |
Also Published As
Publication number | Publication date |
---|---|
CN112241456A (zh) | 2021-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112241456B (zh) | 基于关系网络与注意力机制的假新闻预测方法 | |
Chakraborty et al. | Sentiment analysis on a set of movie reviews using deep learning techniques | |
Tong et al. | A shilling attack detector based on convolutional neural network for collaborative recommender system in social aware network | |
CN108595708A (zh) | 一种基于知识图谱的异常信息文本分类方法 | |
Pan et al. | Social media-based user embedding: A literature review | |
Shah et al. | Multimodal fake news detection using a Cultural Algorithm with situational and normative knowledge | |
Yuan et al. | Wikipedia vandal early detection: from user behavior to user embedding | |
CN115221325A (zh) | 一种基于标签语义学习和注意力调整机制的文本分类方法 | |
CN114707517B (zh) | 一种基于开源数据事件抽取的目标跟踪方法 | |
Alonso-Bartolome et al. | Multimodal fake news detection | |
Jacob et al. | Fuzzy artificial bee colony‐based CNN‐LSTM and semantic feature for fake product review classification | |
Elakkiya et al. | TextSpamDetector: textual content based deep learning framework for social spam detection using conjoint attention mechanism | |
Kaliyar et al. | Classification of Hoax/Non-Hoax news articles on social media using an effective deep neural network | |
Surekha et al. | Digital misinformation and fake news detection using WoT integration with Asian social networks fusion based feature extraction with text and image classification by machine learning architectures | |
CN117390299A (zh) | 基于图证据的可解释性虚假新闻检测方法 | |
Iqbal et al. | Artificial intelligence and digital forensics | |
CN113505223B (zh) | 一种网络水军识别方法与系统 | |
İş et al. | A Profile Analysis of User Interaction in Social Media Using Deep Learning. | |
CN114297375A (zh) | 网络安全实体与关系的网络模型的训练方法及抽取方法 | |
Sun et al. | Reinforced contrastive graph neural networks (RCGNN) for anomaly detection | |
Aldahawi | Mining and analysing social network in the oil business: twitter sentiment analysis and prediction approaches | |
Kaushik et al. | Sentiment analysis based on movie reviews using various classification techniques: A review | |
Chaki et al. | Pattern mining approaches used in social media data | |
CN110765108A (zh) | 一种基于群智数据融合的假消息早期检测方法 | |
Liu et al. | Enhancing Micro-Video Venue Recognition via Multi-Modal and Multi-Granularity Object Relations |
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 |