CN114511038A - 虚假新闻检测方法、装置、电子设备及可读存储介质 - Google Patents
虚假新闻检测方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN114511038A CN114511038A CN202210161193.3A CN202210161193A CN114511038A CN 114511038 A CN114511038 A CN 114511038A CN 202210161193 A CN202210161193 A CN 202210161193A CN 114511038 A CN114511038 A CN 114511038A
- Authority
- CN
- China
- Prior art keywords
- news
- false
- false news
- training
- detection model
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Abstract
本发明涉及人工智能技术,揭露了一种虚假新闻检测方法,包括:基于虚假新闻文本训练集合构建虚假新闻图像训练集合及新闻传播图集合,并汇总得到多模态训练数据集合,利用预设的神经网络构建多模态虚假新闻检测模型,利用所述多模态训练数据集合对所述多模态虚假新闻检测模型进行训练,得到标准虚假新闻检测模型,利用所述标准虚假新闻检测模型输出待检测新闻的检测结果。此外,本发明还涉及区块链技术,所述规划结果可存储在区块链的节点中。本发明还提出一种虚假新闻检测方法装置、电子设备以及计算机可读存储介质。本发明可以解决对不同领域虚假新闻检测准确率较低的问题。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种虚假新闻检测方法、装置、电子设备及计算机可读存储介质。
背景技术
现有的虚假新闻检测方法都是基于单一领域数据集合训练,如金融新闻、教育新闻、体育新闻。当训练于金融新闻的模型用来预测教育领域的虚假新闻,准确率往往不高,如果想要处理不同领域的虚假新闻检测,往往在新的领域上重新训练模型以达到预期的准确率,模型效率低下。同时,在模型训练时,未考虑到多种模态的数据,也会使得对虚假新闻检测准确率较低。因此,现有的虚假新闻检测方法对不同领域虚假新闻检测的准确率较低。
发明内容
本发明提供一种虚假新闻检测方法、装置、电子设备及可读存储介质,其主要目的在于解决对不同领域虚假新闻检测准确率较低的问题。
为实现上述目的,本发明提供的一种虚假新闻检测方法,包括:
获取包含不同领域新闻文本的虚假新闻文本训练集合,基于所述虚假新闻文本训练集合构建虚假新闻图像训练集合;
利用所述虚假新闻文本训练集合构建新闻传播图集合,并基于所述虚假新闻文本训练集合、所述虚假新闻图像训练集合及所述新闻传播图集合构建多模态训练数据集合;
利用预设的神经网络构建多模态虚假新闻检测模型;
利用所述多模态训练数据集合对所述多模态虚假新闻检测模型进行训练,得到标准虚假新闻检测模型;
利用所述标准虚假新闻检测模型输出待检测新闻的检测结果。
可选地,所述获取包含不同领域新闻文本的虚假新闻文本训练集合,基于所述虚假新闻文本训练集合构建虚假新闻图像训练集合,包括:
获取包含不同领域开源新闻文本集的虚假新闻文本训练集合;
利用预设爬虫工具爬取所述虚假新闻文本训练集合中新闻文本对应的新闻图像,得到所述虚假新闻图像训练集合。
可选地,所述利用所述虚假新闻文本训练集合构建新闻传播图集合,包括:
将所述虚假新闻文本训练集合中的新闻文本作为第一节点,以及将所述虚假新闻文本训练集合中的评论文本作为第二节点;
在所述第一节点及所述第二节点间添加节点关系,汇总所有节点及节点关系,得到所述新闻传播图集合。
可选地,所述利用预设的神经网络构建多模态虚假新闻检测模型,包括:
根据预设的图神经网络、Transfomer网络及卷积神经网络构建特征提取层;
在所述特征提取层后以并联的方式添加主干网络及辅助网络,得到所述虚假新闻检测模型。
可选地,所述利用所述多模态训练数据集合对所述多模态虚假新闻检测模型进行训练,得到标准虚假新闻检测模型,包括:
利用所述特征提取层提取所述多模态训练数据集合中不同模态数据的数据特征;
对不同模态数据的数据特征进行拼接混合处理,得到混合特征;
利用所述混合特征对所述主干网络及所述辅助网络进行迭代训练,得到所述标准虚假新闻检测模型。
可选地,所述利用所述特征提取层提取所述多模态训练数据集合中不同模态数据的数据特征,包括:
利用所述图神经网络提取所述多模态训练数据集合中新闻传播图的传播图特征;
利用所述Transfomer网络提取所述多模态训练数据集合中新闻文本的文本特征;
利用所述卷积神经网络提取所述多模态训练数据集合中新闻图像中的图像特征。
可选地,所述利用所述混合特征对所述主干网络及所述辅助网络进行迭代训练,得到所述标准虚假新闻检测模型,包括:
利用所述主干网络输出所述混合特征的新闻预测结果,以及利用所述辅助网络输出所述混合特征的领域预测结果;
基于所述新闻预测结果及所述领域预测结果对所述虚假新闻检测模型中的参数进行调整,并返回所述利用所述特征提取层提取所述多模态训练数据集合中不同模态数据的数据特征,直至预设的迭代条件达到时,停止训练,得到所述标准虚假新闻检测模型。
为了解决上述问题,本发明还提供一种虚假新闻检测装置,所述装置包括:
多模态训练数据构建模块,用于获取包含不同领域新闻文本的虚假新闻文本训练集合,基于所述虚假新闻文本训练集合构建虚假新闻图像训练集合,利用所述虚假新闻文本训练集合构建新闻传播图集合,并基于所述虚假新闻文本训练集合、所述虚假新闻图像训练集合及所述新闻传播图集合构建多模态训练数据集合;
多模态检测模型构建模块,用于利用预设的神经网络构建多模态虚假新闻检测模型;
模型训练模块,用于利用所述多模态训练数据集合对所述多模态虚假新闻检测模型进行训练,得到标准虚假新闻检测模型;
虚假新闻检测模块,用于利用所述标准虚假新闻检测模型输出待检测新闻的检测结果。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个计算机程序;及
处理器,执行所述存储器中存储的计算机程序以实现上述所述的虚假新闻检测方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个计算机程序,所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的虚假新闻检测方法。
本发明通过虚假新闻文本训练集合构建虚假新闻图像训练集合及新闻传播图集合,可以得到包含不同模态数据的多模态训练数据集合,并且,通过预设的神经网络构建多模态虚假新闻检测模型,利用所述多模态训练数据集合对所述多模态虚假新闻检测模型进行训练,能够使得模型同时学习到不同模态数据的新闻特点,从而提高模型对虚假新闻检测的准确率。同时,本发明可以基于多种领域的数据来训练模型,提高了不同领域虚假新闻检测的准确率。因此本发明提出的虚假新闻检测方法、装置、电子设备及计算机可读存储介质,可以解决对不同领域虚假新闻检测准确率较低的问题。
附图说明
图1为本发明一实施例提供的虚假新闻检测方法的流程示意图;
图2为本发明一实施例提供的虚假新闻检测装置的功能模块图;
图3为本发明一实施例提供的实现所述虚假新闻检测方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种虚假新闻检测方法。所述虚假新闻检测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述虚假新闻检测方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示,为本发明一实施例提供的虚假新闻检测方法的流程示意图。在本实施例中,所述虚假新闻检测方法包括:
S1、获取包含不同领域新闻文本的虚假新闻文本训练集合,基于所述虚假新闻文本训练集合构建虚假新闻图像训练集合。
本发明实施例中,所述虚假新闻文本训练集合可以包括不同领域公开的虚假新闻数据集。
所述虚假新闻文本训练集合中包含有虚假新闻所处领域、是否为虚假新闻的标签,不再需要人工继续标注。详细地,所述获取包含不同领域新闻文本的虚假新闻文本训练集合,基于所述虚假新闻文本训练集合构建虚假新闻图像训练集合,包括:
获取包含不同领域开源新闻文本集的虚假新闻文本训练集合;
利用预设爬虫工具爬取所述虚假新闻文本训练集合中新闻文本对应的新闻图像,得到所述虚假新闻图像训练集合。
本发明实施例中,不同领域开源新闻文本集即不同领域的能公开获取到的新闻文本集,则所述虚假新闻文本训练集合同时包括多种领域的新闻文本集,例如,GossipCop等。所述预设爬虫工具可以为Python爬虫,例如,利用Python爬虫技术将GossipCop等数据集的图像数据从Politifact、 NewsChecker、Boomlive、Twitter等网站上爬取获取,得到不同领域新闻文本对应的新闻图片。
S2、利用所述虚假新闻文本训练集合构建新闻传播图集合,并基于所述虚假新闻文本训练集合、所述虚假新闻图像训练集合及所述新闻传播图集合构建多模态训练数据集合。
本发明实施例中,所述新闻传播图是一种图信息,用来表示新闻的传播路径,包括节点和节点间的关系,其中,节点代表新闻本身或者新闻的评论,节点之间的节点关系可以为评论关系也可以是转发关系。
具体地,所述利用所述虚假新闻文本训练集合构建新闻传播图集合,包括:
将所述虚假新闻文本训练集合中的新闻文本作为第一节点,以及将所述虚假新闻文本训练集合中的评论文本作为第二节点;
在所述第一节点及所述第二节点间添加节点关系,汇总所有节点及节点关系,得到所述新闻传播图集合。
本发明一可选实施例中,基于爬虫抓取及构建新闻传播图,可以根据开源的虚假新闻训练集合,得到包含三类训练数据的多模态训练数据集合,第一类为虚假新闻的新闻传播图;第二类为新闻本身的文本内容;第三类为新闻本身对应的图片信息,通过融合不同模态的训练数据,可以提高模型训练的准确率。
S3、利用预设的神经网络构建多模态虚假新闻检测模型。
详细地,所述利用预设的神经网络构建多模态虚假新闻检测模型,包括:
根据预设的图神经网络、Transfomer网络及卷积神经网络构建特征提取层;
在所述特征提取层后以并联的方式添加主干网络及辅助网络,得到所述虚假新闻检测模型。
其中,所述图神经网络可以为双向图神经网络(Bi-GCN),用来提取新闻传播图中的传播图特征(Propogation Feature),Transfomer网络通过注意力机制得到虚假新闻文本的内容特征(Content Feature),卷积神经网络(CNN) 用于得到新闻图像的图像特征(Image Feature)。所述主干网络及辅助网络分别包含两个参数不一样但是网络结构一致的全连接层及softmax层,其中主干网络的目的是对虚假新闻检测,辅助网络的目的是对虚假新闻所属的领域进行分类。
本发明实施例中,利用不同的神经网络提取不同模态数据的特征,可以提高数据特征提取的准确性,从而提高预测的准确性,同时,利用两个分支网络分别预测是否为虚假新闻及对虚假新闻所属的领域进行分类,可以进一步提高虚假新闻预测的准确率。
S4、利用所述多模态训练数据集合对所述多模态虚假新闻检测模型进行训练,得到标准虚假新闻检测模型。
具体地,所述利用所述多模态训练数据集合对所述多模态虚假新闻检测模型进行训练,得到标准虚假新闻检测模型,包括:
利用所述特征提取层提取所述多模态训练数据集合中不同模态数据的数据特征;
对不同模态数据的数据特征进行拼接混合处理,得到混合特征;
利用所述混合特征对所述主干网络及所述辅助网络进行迭代训练,得到所述标准虚假新闻检测模型。
详细地,所述利用所述特征提取层提取所述多模态训练数据集合中不同模态数据的数据特征,包括:
利用所述图神经网络提取所述多模态训练数据集合中新闻传播图的传播图特征;
利用所述Transfomer网络提取所述多模态训练数据集合中新闻文本的文本特征;
利用所述卷积神经网络提取所述多模态训练数据集合中新闻图像中的图像特征。
本发明一可选实施例中,利用不同的神经网络提取不同模态的数据,从而保证数据特征提取的准确率。同时利用拼接操作(Concatenation)将得到的三类信息融合得到最终的多模态特征(Multimodal Feature),即混合特征。
进一步地,所述利用所述混合特征对所述主干网络及所述辅助网络进行迭代训练,得到所述标准虚假新闻检测模型,包括:
利用所述主干网络输出所述混合特征的新闻预测结果,以及利用所述辅助网络输出所述混合特征的领域预测结果;
基于所述新闻预测结果及所述领域预测结果对所述虚假新闻检测模型中的参数进行调整,并返回所述利用所述特征提取层提取所述多模态训练数据集合中不同模态数据的数据特征,直至预设的迭代条件达到时,停止训练,得到所述标准虚假新闻检测模型。
本发明一可选实施例中,所述预设的迭代条件包括准确率迭代及次数迭代等。例如,当训练次数为50次时停止训练,或分别计算新闻预测结果、领域预测结果与多模态训练数据集合中真实标签的预测的准确率,在准确率大于预设的准确阈值时,停止训练。
详细地,所述利用所述主干网络输出所述混合特征的新闻预测结果,包括:
利用所述主干网络中的全连接层提取所述混合特征的深层特征;
利用所述主干网络中的分类函数得到所述深层特征的预测结果,并所述所述预测结果作为所述新闻预测结果。
本发明一可选实施例中,所述利用所述主干网络中的全连接层提取所述混合特征的深层特征,包括:
利用下述公式提取所述混合特征的深层特征:
z=σ(A2(σ(A1x+b1))+b2)
其中,σ表示sigmoid激活函数,A1、b1为所述主干网络中第一全连接层的参数,A2、b2为所述主干网络中第二全连接层的参数,x为所述混合特征,z为所述深层特征。
本发明实施例中,辅助网络的结构、提取步骤与主干网络类似,在此不再赘述。
本发明实施例中,通过融合多种模态的数据能够使得模型同时学习到不同领域的新闻特点,提升虚假新闻检测的准确率。可以同时处理多个领域的虚假新闻检测,不需要面对不同领域而重新训练一遍模型,节约大量的人力物力,尤其是面对数据较少的领域,如教育领域,能够明显提升该领域的虚假新闻检测的准确率。
S5、利用所述标准虚假新闻检测模型输出待检测新闻的检测结果。
本发明实施例中,所述待检测新闻可以为任一领域的新闻文本、图片等信息。
详细地,所述利用所述标准虚假新闻检测模型输出待检测新闻的检测结果,包括:
利用所述标准虚假新闻检测模型输出所述待检测新闻的新闻检测结果;
利用所述标准虚假新闻检测模型输出所述待检测新闻的领域检测结果;
汇总所述新闻检测结果及所述领域检测结果得到所述待检测新闻的检测结果。
本发明一可选实施例中,通过汇总所述标准虚假新闻检测模型的主干网络及辅助网络输出的检测结果,可以提高待检测新闻的准确率。
本发明通过虚假新闻文本训练集合构建虚假新闻图像训练集合及新闻传播图集合,可以得到包含不同模态数据的多模态训练数据集合,并且,通过预设的神经网络构建多模态虚假新闻检测模型,利用所述多模态训练数据集合对所述多模态虚假新闻检测模型进行训练,能够使得模型同时学习到不同模态数据的新闻特点,从而提高模型对虚假新闻检测的准确率。同时,本发明可以基于多种领域的数据来训练模型,提高了不同领域虚假新闻检测的准确率。因此本发明提出的虚假新闻检测方法,可以解决对不同领域虚假新闻检测准确率较低的问题。
如图2所示,是本发明一实施例提供的虚假新闻检测装置的功能模块图。
本发明所述虚假新闻检测装置100可以安装于电子设备中。根据实现的功能,所述虚假新闻检测装置100可以包括多模态训练数据构建模块101、多模态检测模型构建模块102、模型训练模块103及虚假新闻检测模块104。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述多模态训练数据构建模块101,用于获取包含不同领域新闻文本的虚假新闻文本训练集合,基于所述虚假新闻文本训练集合构建虚假新闻图像训练集合,利用所述虚假新闻文本训练集合构建新闻传播图集合,并基于所述虚假新闻文本训练集合、所述虚假新闻图像训练集合及所述新闻传播图集合构建多模态训练数据集合;
所述多模态检测模型构建模块102,用于利用预设的神经网络构建多模态虚假新闻检测模型;
所述模型训练模块103,用于利用所述多模态训练数据集合对所述多模态虚假新闻检测模型进行训练,得到标准虚假新闻检测模型;
所述虚假新闻检测模块104,用于利用所述标准虚假新闻检测模型输出待检测新闻的检测结果。
详细地,所述虚假新闻检测装置100各模块的具体实施方式如下:
步骤一、获取包含不同领域新闻文本的虚假新闻文本训练集合,基于所述虚假新闻文本训练集合构建虚假新闻图像训练集合。
本发明实施例中,所述虚假新闻文本训练集合可以包括不同领域公开的虚假新闻数据集。
所述虚假新闻文本训练集合中包含有虚假新闻所处领域、是否为虚假新闻的标签,不再需要人工继续标注。详细地,所述获取包含不同领域新闻文本的虚假新闻文本训练集合,基于所述虚假新闻文本训练集合构建虚假新闻图像训练集合,包括:
获取包含不同领域开源新闻文本集的虚假新闻文本训练集合;
利用预设爬虫工具爬取所述虚假新闻文本训练集合中新闻文本对应的新闻图像,得到所述虚假新闻图像训练集合。
本发明实施例中,不同领域开源新闻文本集即不同领域的能公开获取到的新闻文本集,则所述虚假新闻文本训练集合同时包括多种领域的新闻文本集,例如,GossipCop等。所述预设爬虫工具可以为Python爬虫,例如,利用Python爬虫技术将GossipCop等数据集的图像数据从Politifact、 NewsChecker、Boomlive、Twitter等网站上爬取获取,得到不同领域新闻文本对应的新闻图片。
步骤二、利用所述虚假新闻文本训练集合构建新闻传播图集合,并基于所述虚假新闻文本训练集合、所述虚假新闻图像训练集合及所述新闻传播图集合构建多模态训练数据集合。
本发明实施例中,所述新闻传播图是一种图信息,用来表示新闻的传播路径,包括节点和节点间的关系,其中,节点代表新闻本身或者新闻的评论,节点之间的节点关系可以为评论关系也可以是转发关系。
具体地,所述利用所述虚假新闻文本训练集合构建新闻传播图集合,包括:
将所述虚假新闻文本训练集合中的新闻文本作为第一节点,以及将所述虚假新闻文本训练集合中的评论文本作为第二节点;
在所述第一节点及所述第二节点间添加节点关系,汇总所有节点及节点关系,得到所述新闻传播图集合。
本发明一可选实施例中,基于爬虫抓取及构建新闻传播图,可以根据开源的虚假新闻训练集合,得到包含三类训练数据的多模态训练数据集合,第一类为虚假新闻的新闻传播图;第二类为新闻本身的文本内容;第三类为新闻本身对应的图片信息,通过融合不同模态的训练数据,可以提高模型训练的准确率。
步骤三、利用预设的神经网络构建多模态虚假新闻检测模型。
详细地,所述利用预设的神经网络构建多模态虚假新闻检测模型,包括:
根据预设的图神经网络、Transfomer网络及卷积神经网络构建特征提取层;
在所述特征提取层后以并联的方式添加主干网络及辅助网络,得到所述虚假新闻检测模型。
其中,所述图神经网络可以为双向图神经网络(Bi-GCN),用来提取新闻传播图中的传播图特征(Propogation Feature),Transfomer网络通过注意力机制得到虚假新闻文本的内容特征(Content Feature),卷积神经网络(CNN) 用于得到新闻图像的图像特征(Image Feature)。所述主干网络及辅助网络分别包含两个参数不一样但是网络结构一致的全连接层及softmax层,其中主干网络的目的是对虚假新闻检测,辅助网络的目的是对虚假新闻所属的领域进行分类。
本发明实施例中,利用不同的神经网络提取不同模态数据的特征,可以提高数据特征提取的准确性,从而提高预测的准确性,同时,利用两个分支网络分别预测是否为虚假新闻及对虚假新闻所属的领域进行分类,可以进一步提高虚假新闻预测的准确率。
步骤四、利用所述多模态训练数据集合对所述多模态虚假新闻检测模型进行训练,得到标准虚假新闻检测模型。
具体地,所述利用所述多模态训练数据集合对所述多模态虚假新闻检测模型进行训练,得到标准虚假新闻检测模型,包括:
利用所述特征提取层提取所述多模态训练数据集合中不同模态数据的数据特征;
对不同模态数据的数据特征进行拼接混合处理,得到混合特征;
利用所述混合特征对所述主干网络及所述辅助网络进行迭代训练,得到所述标准虚假新闻检测模型。
详细地,所述利用所述特征提取层提取所述多模态训练数据集合中不同模态数据的数据特征,包括:
利用所述图神经网络提取所述多模态训练数据集合中新闻传播图的传播图特征;
利用所述Transfomer网络提取所述多模态训练数据集合中新闻文本的文本特征;
利用所述卷积神经网络提取所述多模态训练数据集合中新闻图像中的图像特征。
本发明一可选实施例中,利用不同的神经网络提取不同模态的数据,从而保证数据特征提取的准确率。同时利用拼接操作(Concatenation)将得到的三类信息融合得到最终的多模态特征(Multimodal Feature),即混合特征。
进一步地,所述利用所述混合特征对所述主干网络及所述辅助网络进行迭代训练,得到所述标准虚假新闻检测模型,包括:
利用所述主干网络输出所述混合特征的新闻预测结果,以及利用所述辅助网络输出所述混合特征的领域预测结果;
基于所述新闻预测结果及所述领域预测结果对所述虚假新闻检测模型中的参数进行调整,并返回所述利用所述特征提取层提取所述多模态训练数据集合中不同模态数据的数据特征,直至预设的迭代条件达到时,停止训练,得到所述标准虚假新闻检测模型。
本发明一可选实施例中,所述预设的迭代条件包括准确率迭代及次数迭代等。例如,当训练次数为50次时停止训练,或分别计算新闻预测结果、领域预测结果与多模态训练数据集合中真实标签的预测的准确率,在准确率大于预设的准确阈值时,停止训练。
详细地,所述利用所述主干网络输出所述混合特征的新闻预测结果,包括:
利用所述主干网络中的全连接层提取所述混合特征的深层特征;
利用所述主干网络中的分类函数得到所述深层特征的预测结果,并所述所述预测结果作为所述新闻预测结果。
本发明一可选实施例中,所述利用所述主干网络中的全连接层提取所述混合特征的深层特征,包括:
利用下述公式提取所述混合特征的深层特征:
z=σ(A2(σ(A1x+b1))+b2)
其中,σ表示sigmoid激活函数,A1、b1为所述主干网络中第一全连接层的参数,A2、b2为所述主干网络中第二全连接层的参数,x为所述混合特征, z为所述深层特征。
本发明实施例中,辅助网络的结构、提取步骤与主干网络类似,在此不再赘述。
本发明实施例中,通过融合多种模态的数据能够使得模型同时学习到不同领域的新闻特点,提升虚假新闻检测的准确率。可以同时处理多个领域的虚假新闻检测,不需要面对不同领域而重新训练一遍模型,节约大量的人力物力,尤其是面对数据较少的领域,如教育领域,能够明显提升该领域的虚假新闻检测的准确率。
步骤五、利用所述标准虚假新闻检测模型输出待检测新闻的检测结果。
本发明实施例中,所述待检测新闻可以为任一领域的新闻文本、图片等信息。
详细地,所述利用所述标准虚假新闻检测模型输出待检测新闻的检测结果,包括:
利用所述标准虚假新闻检测模型输出所述待检测新闻的新闻检测结果;
利用所述标准虚假新闻检测模型输出所述待检测新闻的领域检测结果;
汇总所述新闻检测结果及所述领域检测结果得到所述待检测新闻的检测结果。
本发明一可选实施例中,通过汇总所述标准虚假新闻检测模型的主干网络及辅助网络输出的检测结果,可以提高待检测新闻的准确率。
本发明通过虚假新闻文本训练集合构建虚假新闻图像训练集合及新闻传播图集合,可以得到包含不同模态数据的多模态训练数据集合,并且,通过预设的神经网络构建多模态虚假新闻检测模型,利用所述多模态训练数据集合对所述多模态虚假新闻检测模型进行训练,能够使得模型同时学习到不同模态数据的新闻特点,从而提高模型对虚假新闻检测的准确率。同时,本发明可以基于多种领域的数据来训练模型,提高了不同领域虚假新闻检测的准确率。因此本发明提出的虚假新闻检测装置,可以解决对不同领域虚假新闻检测准确率较低的问题。
如图3所示,是本发明一实施例提供的实现虚假新闻检测方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信接口12和总线13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如虚假新闻检测程序。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如虚假新闻检测程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如虚假新闻检测程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述通信接口12用于上述电子设备与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如 WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘 (Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
所述总线13可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线13可以分为地址总线、数据总线、控制总线等。所述总线13被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3 示出的结构并不构成对所述电子设备的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。
可选地,该电子设备还可以包括用户接口,用户接口可以是显示器 (Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED 显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备中的所述存储器11存储的虚假新闻检测程序是多个指令的组合,在所述处理器10中运行时,可以实现:
获取包含不同领域新闻文本的虚假新闻文本训练集合,基于所述虚假新闻文本训练集合构建虚假新闻图像训练集合;
利用所述虚假新闻文本训练集合构建新闻传播图集合,并基于所述虚假新闻文本训练集合、所述虚假新闻图像训练集合及所述新闻传播图集合构建多模态训练数据集合;
利用预设的神经网络构建多模态虚假新闻检测模型;
利用所述多模态训练数据集合对所述多模态虚假新闻检测模型进行训练,得到标准虚假新闻检测模型;
利用所述标准虚假新闻检测模型输出待检测新闻的检测结果。
具体地,所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM, Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取包含不同领域新闻文本的虚假新闻文本训练集合,基于所述虚假新闻文本训练集合构建虚假新闻图像训练集合;
利用所述虚假新闻文本训练集合构建新闻传播图集合,并基于所述虚假新闻文本训练集合、所述虚假新闻图像训练集合及所述新闻传播图集合构建多模态训练数据集合;
利用预设的神经网络构建多模态虚假新闻检测模型;
利用所述多模态训练数据集合对所述多模态虚假新闻检测模型进行训练,得到标准虚假新闻检测模型;
利用所述标准虚假新闻检测模型输出待检测新闻的检测结果。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明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发明。
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,本发明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发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
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。系统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。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种虚假新闻检测方法,其特征在于,所述方法包括:
获取包含不同领域新闻文本的虚假新闻文本训练集合,基于所述虚假新闻文本训练集合构建虚假新闻图像训练集合;
利用所述虚假新闻文本训练集合构建新闻传播图集合,并基于所述虚假新闻文本训练集合、所述虚假新闻图像训练集合及所述新闻传播图集合构建多模态训练数据集合;
利用预设的神经网络构建多模态虚假新闻检测模型;
利用所述多模态训练数据集合对所述多模态虚假新闻检测模型进行训练,得到标准虚假新闻检测模型;
利用所述标准虚假新闻检测模型输出待检测新闻的检测结果。
2.如权利要求1所述的虚假新闻检测方法,其特征在于,所述获取包含不同领域新闻文本的虚假新闻文本训练集合,基于所述虚假新闻文本训练集合构建虚假新闻图像训练集合,包括:
获取包含不同领域开源新闻文本集的虚假新闻文本训练集合;
利用预设爬虫工具爬取所述虚假新闻文本训练集合中新闻文本对应的新闻图像,得到所述虚假新闻图像训练集合。
3.如权利要求1中所述的虚假新闻检测方法,其特征在于,所述利用所述虚假新闻文本训练集合构建新闻传播图集合,包括:
将所述虚假新闻文本训练集合中的新闻文本作为第一节点,以及将所述虚假新闻文本训练集合中的评论文本作为第二节点;
在所述第一节点及所述第二节点间添加节点关系,汇总所有节点及节点关系,得到所述新闻传播图集合。
4.如权利要求1所述的虚假新闻检测方法,其特征在于,所述利用预设的神经网络构建多模态虚假新闻检测模型,包括:
根据预设的图神经网络、Transfomer网络及卷积神经网络构建特征提取层;
在所述特征提取层后以并联的方式添加主干网络及辅助网络,得到所述虚假新闻检测模型。
5.如权利要求4所述的虚假新闻检测方法,其特征在于,所述利用所述多模态训练数据集合对所述多模态虚假新闻检测模型进行训练,得到标准虚假新闻检测模型,包括:
利用所述特征提取层提取所述多模态训练数据集合中不同模态数据的数据特征;
对不同模态数据的数据特征进行拼接混合处理,得到混合特征;
利用所述混合特征对所述主干网络及所述辅助网络进行迭代训练,得到所述标准虚假新闻检测模型。
6.如权利要求5所述的虚假新闻检测方法,其特征在于,所述利用所述特征提取层提取所述多模态训练数据集合中不同模态数据的数据特征,包括:
利用所述图神经网络提取所述多模态训练数据集合中新闻传播图的传播图特征;
利用所述Transfomer网络提取所述多模态训练数据集合中新闻文本的文本特征;
利用所述卷积神经网络提取所述多模态训练数据集合中新闻图像中的图像特征。
7.如权利要求5所述的虚假新闻检测方法,其特征在于,所述利用所述混合特征对所述主干网络及所述辅助网络进行迭代训练,得到所述标准虚假新闻检测模型,包括:
利用所述主干网络输出所述混合特征的新闻预测结果,以及利用所述辅助网络输出所述混合特征的领域预测结果;
基于所述新闻预测结果及所述领域预测结果对所述虚假新闻检测模型中的参数进行调整,并返回所述利用所述特征提取层提取所述多模态训练数据集合中不同模态数据的数据特征,直至预设的迭代条件达到时,停止训练,得到所述标准虚假新闻检测模型。
8.一种虚假新闻检测装置,其特征在于,所述装置包括:
多模态训练数据构建模块,用于获取包含不同领域新闻文本的虚假新闻文本训练集合,基于所述虚假新闻文本训练集合构建虚假新闻图像训练集合,利用所述虚假新闻文本训练集合构建新闻传播图集合,并基于所述虚假新闻文本训练集合、所述虚假新闻图像训练集合及所述新闻传播图集合构建多模态训练数据集合;
多模态检测模型构建模块,用于利用预设的神经网络构建多模态虚假新闻检测模型;
模型训练模块,用于利用所述多模态训练数据集合对所述多模态虚假新闻检测模型进行训练,得到标准虚假新闻检测模型;
虚假新闻检测模块,用于利用所述标准虚假新闻检测模型输出待检测新闻的检测结果。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的虚假新闻检测方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的虚假新闻检测方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210161193.3A CN114511038A (zh) | 2022-02-22 | 2022-02-22 | 虚假新闻检测方法、装置、电子设备及可读存储介质 |
PCT/CN2022/090433 WO2023159755A1 (zh) | 2022-02-22 | 2022-04-29 | 虚假新闻检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210161193.3A CN114511038A (zh) | 2022-02-22 | 2022-02-22 | 虚假新闻检测方法、装置、电子设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114511038A true CN114511038A (zh) | 2022-05-17 |
Family
ID=81553301
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210161193.3A Pending CN114511038A (zh) | 2022-02-22 | 2022-02-22 | 虚假新闻检测方法、装置、电子设备及可读存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114511038A (zh) |
WO (1) | WO2023159755A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115130613A (zh) * | 2022-07-26 | 2022-09-30 | 西北工业大学 | 虚假新闻识别模型构建方法、虚假新闻识别方法与装置 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117370679B (zh) * | 2023-12-06 | 2024-03-26 | 之江实验室 | 一种多模态双向蕴含社交网络虚假消息验证的方法及装置 |
CN117614749A (zh) * | 2024-01-24 | 2024-02-27 | 杰创智能科技股份有限公司 | 风险网站识别方法、装置、电子设备及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110019812B (zh) * | 2018-02-27 | 2021-08-20 | 中国科学院计算技术研究所 | 一种用户自生产内容检测方法和系统 |
CN109284376A (zh) * | 2018-09-10 | 2019-01-29 | 成都信息工程大学 | 基于领域自适应的跨领域新闻数据情感分析方法 |
US20220036011A1 (en) * | 2020-07-30 | 2022-02-03 | InfoAuthN AI Inc. | Systems and Methods for Explainable Fake News Detection |
CN112035669B (zh) * | 2020-09-09 | 2021-05-14 | 中国科学技术大学 | 基于传播异质图建模的社交媒体多模态谣言检测方法 |
CN113312479B (zh) * | 2021-05-13 | 2023-05-30 | 杭州中科睿鉴科技有限公司 | 跨领域虚假新闻检测方法 |
-
2022
- 2022-02-22 CN CN202210161193.3A patent/CN114511038A/zh active Pending
- 2022-04-29 WO PCT/CN2022/090433 patent/WO2023159755A1/zh unknown
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115130613A (zh) * | 2022-07-26 | 2022-09-30 | 西北工业大学 | 虚假新闻识别模型构建方法、虚假新闻识别方法与装置 |
CN115130613B (zh) * | 2022-07-26 | 2024-03-15 | 西北工业大学 | 虚假新闻识别模型构建方法、虚假新闻识别方法与装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2023159755A1 (zh) | 2023-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114511038A (zh) | 虚假新闻检测方法、装置、电子设备及可读存储介质 | |
CN112767320A (zh) | 图像检测方法、装置、电子设备及存储介质 | |
CN113806434B (zh) | 大数据处理方法、装置、设备及介质 | |
CN113704614A (zh) | 基于用户画像的页面生成方法、装置、设备及介质 | |
CN112507663A (zh) | 基于文本的判断题生成方法、装置、电子设备及存储介质 | |
CN113298159A (zh) | 目标检测方法、装置、电子设备及存储介质 | |
CN112528013A (zh) | 文本摘要提取方法、装置、电子设备及存储介质 | |
CN113204698B (zh) | 新闻主题词生成方法、装置、设备及介质 | |
CN115205225A (zh) | 医学图像识别模型的训练方法、装置、设备及存储介质 | |
CN114997263A (zh) | 基于机器学习的结训率分析方法、装置、设备及存储介质 | |
CN111950707B (zh) | 基于行为共现网络的行为预测方法、装置、设备及介质 | |
CN113157739A (zh) | 跨模态检索方法、装置、电子设备及存储介质 | |
CN112990374A (zh) | 图像分类方法、装置、电子设备及介质 | |
CN112269875A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN112101191A (zh) | 基于边框注意力网络的表情识别方法、装置、设备及介质 | |
CN116680580A (zh) | 基于多模态训练的信息匹配方法、装置、电子设备及介质 | |
CN115146064A (zh) | 意图识别模型优化方法、装置、设备及存储介质 | |
CN115346095A (zh) | 视觉问答方法、装置、设备及存储介质 | |
CN115471775A (zh) | 基于录屏视频的信息验证方法、装置、设备及存储介质 | |
CN114548114A (zh) | 文本情绪识别方法、装置、设备及存储介质 | |
CN113822215A (zh) | 设备操作指引文件生成方法、装置、电子设备及存储介质 | |
CN113591881A (zh) | 基于模型融合的意图识别方法、装置、电子设备及介质 | |
CN113419951A (zh) | 人工智能模型优化方法、装置、电子设备及存储介质 | |
CN113723554A (zh) | 模型调度方法、装置、电子设备及计算机可读存储介质 | |
CN115082736A (zh) | 垃圾识别分类方法、装置、电子设备及存储介质 |
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 |