CN115730221A - 基于溯因推理的虚假新闻识别方法、装置、设备及介质 - Google Patents
基于溯因推理的虚假新闻识别方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115730221A CN115730221A CN202211409429.7A CN202211409429A CN115730221A CN 115730221 A CN115730221 A CN 115730221A CN 202211409429 A CN202211409429 A CN 202211409429A CN 115730221 A CN115730221 A CN 115730221A
- Authority
- CN
- China
- Prior art keywords
- event
- news
- node
- similarity
- false
- 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
Landscapes
- Machine Translation (AREA)
Abstract
本发明公开了基于溯因推理的虚假新闻识别方法、装置、设备及介质。本发明基于文本分类、文本相似度和溯因自然语言生成等技术,设计了一种全新的虚假新闻识别流程,在一定程度上解决了基于事实的方法中由于事实库更新迟滞导致无法识别新发生新闻的不足。
Description
技术领域
本发明属于信息处理技术领域,尤其涉及基于溯因推理的虚假新闻识别方法、装置、设备及介质。
背景技术
随着计算机技术以及手机、电脑等智能设备的全球化普及,人们可以轻易的从互联网以及各种社交平台上获取信息。但是,各种各样的虚假新闻充斥在社交媒体之中,严重损害了人们对事情真相的知情权,同时也扰乱了网络秩序与社会安定,实现智能化、自动化的虚假新闻识别对改善网络信息环境具有重要意义。
目前,虚假新闻识别方法主要分为两种,一是基于内容的虚假新闻识别方法,又可以细分为基于事实和基于风格两种;二是基于传播的虚假新闻识别方法。基于事实的虚假新闻识别方法采用自动化事实核查的方式实现,根据预先建立好的事实库、知识图谱等源数据判断待识别新闻中与事实或常识不符之处,主要采用了文本相似度、自然语言推理等技术。基于风格的虚假新闻识别方法利用新闻的情感、行文风格等识别新闻真假,主要采用自然语言处理等技术。基于传播的虚假新闻识别方法是通过对新闻的社交传播链进行建模实现的,主要采用了图神经网络等技术。
然而,基于传播的方法在识别结果上缺乏可解释性,而没有证据支撑的识别结果通常不能令人信服。基于风格的方法往往会受到一些具有强烈情感的词(如震惊、严重)影响,导致该方法更倾向于识别所谓的“标题党”信息。基于事实的方法是目前较为准确且具有一定可解释性的识别方法,但该方法依赖预先建立好的事实库和知识图谱等源数据,而这些数据通常更新迟滞,导致不能及时对新产生的虚假新闻进行识别。
发明内容
本发明的目的在于,为克服现有技术缺陷,提供了基于溯因推理的虚假新闻识别方法、装置、设备及介质,基于文本分类、文本相似度和溯因自然语言生成等技术,设计了一种全新的虚假新闻识别流程。
本发明目的通过下述技术方案来实现:
一种基于溯因推理的虚假新闻识别方法,所述方法包括:
获取待识别新闻文本,进行预处理操作,所述预处理包括分句和去无用词句,得到一个或多个待识别事件句;
向量化表示待识别事件句并与事件图谱中全部事件向量计算余弦相似度,找到具有最大相似度的事件结点;
以所述具有最大相似度的事件结点为起始结点查询与所述起始结点具有多跳相似、顺承关系的事件结点,由起始结点和多跳关系结点组成相关事件集合,所述相关事件集合包含与待识别事件句相关的前置事件;
将所述相关事件集合中的每一事件与所述待识别事件句组成事件序列对每一事件序列进行溯因推理得到解释事件集合;
以所述解释事件集合中的每一解释事件对应的事件结点为解释事件起始结点,查询与所述解释事件起始结点具有多跳相似、因果关系的事件结点由起始结点和多跳关系结点组成因果事件集合;
根据所述解释事件集合中的事件和所述因果事件集合中的事件的最大余弦相似度判断事件的真假,得到待识别新闻的真伪判断结果。
进一步的,所述事件图谱的构建方式包括:
获取真实新闻样本,对所述真实新闻样本分句得到独立的事件表示句,再去除所述真实新闻样本中的无用词句;
对所述真实新闻样本中的任意两个事件表示句进行三分类,判断两个事件之间是无关、顺承、还是因果关系;
将分类后的具有因果、顺承关系的事件向量化表示,然后将事件句和事件向量作为结点、关系作为边,以三元组的形式构建事件图谱;
进一步的,所述方法还包括对发表时间间隔小于预设阈值的真实新闻样本之间的事件表示句进行分类。
进一步的,所述方法通过计算事件向量之间的余弦相似度在相似的事件结点之间建立相似边。
进一步的,所述根据所述解释事件集合中的事件和所述因果事件集合中的事件的最大余弦相似度判断事件的真假具体包括:
若所述因果事件集合中某一事件和解释事件集合中某一事件的最大余弦相似度大于相似度阈值,则记为确有可能发生事件并跳过所述解释事件集合中剩余解释事件的判断;
若所述因果事件集合中任一事件和解释事件集合中任一事件的最大余弦相似度不大于所述相似度阈值,则记为虚假事件。
进一步的,所述向量化表示采用预训练语言模型,利用孪生结构生成具有语义意义的句子向量。
进一步的,所述溯因推理采用多跳推理流生成模型。
另一方面,本发明还提供了一种基于溯因推理的虚假新闻识别装置,所述装置用于实现前述的基于溯因推理的虚假新闻识别方法,所述装置包括:
文本预处理模块,用于获取待识别新闻文本,进行预处理操作,所述预处理包括分句和去无用词句,得到一个或多个待识别事件句;
相似度计算模块,用于向量化表示待识别事件句并与事件图谱中全部事件向量计算余弦相似度,找到具有最大相似度的事件结点;
相关事件集合构建模块,用于以所述具有最大相似度的事件结点为起始结点查询与所述起始结点具有多跳相似、顺承关系的事件结点,由起始结点和多跳关系结点组成相关事件集合,所述相关事件集合包含与待识别事件句相关的前置事件;
解释事件集合构建模块,用于将所述相关事件集合中的每一事件与所述待识别事件句组成事件序列对每一事件序列进行溯因推理得到解释事件集合;
因果事件集合构建模块,用于以所述解释事件集合中的每一解释事件对应的事件结点为解释事件起始结点,查询与所述解释事件起始结点具有多跳相似、因果关系的事件结点由起始结点和多跳关系结点组成因果事件集合;
真伪判断模块,用于根据所述解释事件集合中的事件和所述因果事件集合中的事件的最大余弦相似度判断事件的真假,得到待识别新闻的真伪判断结果。
另一方面,本发明还提供了一种计算机设备,计算机设备包括处理器和存储器,所述存储器中存储有计算机程序,所述计算机程序由所述处理器加载并执行以实现上述的任意一种基于知识图谱的虚假新闻辨识方法。
另一方面,本发明还提供了一种计算机可读存储介质,所述存储介质中存储有计算机程序,所述计算机程序由处理器加载并执行以实现上述的任意一种基于知识图谱的虚假新闻辨识方法。
本发明的有益效果在于:
本发明在保证识别结果具有一定可解释性的同时,能够通过结合事件图谱与待识别新闻进行溯因推理来识别新产生的虚假新闻,在一定程度上解决了基于事实的方法中由于事实库更新迟滞导致无法识别新发生新闻的不足。
附图说明
图1是本发明实施例提供的基于知识图谱的虚假新闻辨识方法流程示意图;
图2是本发明实施例基于现有真实新闻构建事件图谱作为事实库的流程图;
图3是本发明实施例构建的作为事实库的事件图谱的局部示例;
图4是本发明实施例提供的基于知识图谱的虚假新闻辨识装置结构框图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
基于本发明中的实施例,本领域普通技术人员在没有做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。
基于传播的方法在识别结果上缺乏可解释性,而没有证据支撑的识别结果通常不能令人信服。基于风格的方法往往会受到一些具有强烈情感的词(如震惊、严重)影响,导致该方法更倾向于识别所谓的“标题党”信息。基于事实的方法是目前较为准确且具有一定可解释性的识别方法,但该方法依赖预先建立好的事实库和知识图谱等源数据,而这些数据通常更新迟滞,导致不能及时对新产生的虚假新闻进行识别。
为了解决上述技术问题,提出了本发明基于溯因推理的虚假新闻识别方法、装置、设备及介质的下述各个实施例。
实施例1
参照图1,如图1所示是本实施例提供的基于知识图谱的虚假新闻辨识方法流程示意图,该方法具体包括以下步骤:
步骤一:获取待识别新闻文本,进行预处理操作,预处理包括分句和去无用词句,得到一个或多个待识别事件句。
步骤二:向量化表示待识别事件句并与事件图谱中全部事件向量计算余弦相似度,找到具有最大相似度的事件结点。
使用SBert向量化表示待识别事件句Q(如“人物A在拉票活动中遭遇枪击,送医后不治身亡。”),将其与事件图谱中全部事件向量计算余弦相似度,找到具有最大相似度的事件结点A(如“人物A在一场为即将举行的参议院选举的拉票活动中遭到枪击。”)。
需要说明的是,参照图2,如图2所示是本实施例基于现有真实新闻构建事件图谱作为事实库的流程图,本实施例中事件图谱的构建方式具体如下:
本实施例利用爬虫技术从各个可信的新闻网站收集真实的新闻篇章,通过分句得到独立的事件表示句,再利用正则表达式等规则去除新闻篇章中的无用词句。
其中,可信的新闻网站包括各个官方新闻网站。
对于每篇新闻内的任意两个事件句使用Ernie(文心)文本分类模型进行三分类,判断两个事件之间是无关、顺承、还是因果关系,为了增加事件之间的联系,对时间上相邻的两篇新闻之间的事件句配对进行分类。
Ernie文本分类模型是在Ernie模型后拼接一个由Dropout(丢弃)层和Linear(线性)层组成的分类层,Ernie模型将句子信息表示为一个768维度的句子向量,向量在经过Dropout层之后,送入输入维度为768、输出维度为标签类别数即3的Linear层进行分类,对Linear层的输出进行softmax操作得到每个标签的预测概率,取具有最大概率的标签作为模型分类结果,整个分类过程的公式如下:
label=argmax(softmax(w×dropout(f(x))+b))
其中,label为预测结果,x为句子经tokenizer处理后得到的包括input_ids、token_type_ids、position_ids、attention_mask信息,w为Linear层的权重,b为Linear层的偏差,f(·)为Ernie模型函数,dropout(·)为Dropout层函数,argmax(·)为取最大值的索引的函数,softmax(·)为将输入归一化为概率的函数。
将得到的具有因果、顺承关系的事件对中的事件向量化表示,然后将事件句和事件向量作为结点、关系作为边,以三元组的形式导入neo4j数据库构建事件图谱,为了避免出现过多的“杠铃”现象,即事件结点之间较为孤立、不能连接成网状结构,给余弦相似度在0.8以上的结点对增加关系为相似的边。参照图3,如图3所示是本实施例构建的作为事实库的事件图谱的局部示例。
作为一种实施方式,本实施例将事件向量化表示使用Sentence Bert(SBert)模型,SBert基于Bert网络做了修改,该网络利用孪生结构生成具有语义意义的句子embedding向量,语义相近的句子其embedding向量距离就比较近,从而比原生Bert类预训练模型更加适合通过余弦相似度计算语义相似度,模型采用句子对分类网络结构进行训练,采用MEAN策略即计算各个token输出向量的平均值代表句子向量,采用交叉熵损失函数进行优化。
需要说明的是,除了使用Sentence Bert(SBert)模型外,本实施例中将句子向量化还可以采用BERT、ERNIE、SpanBERT、RoBERTa等预训练语言模型。
步骤三:以具有最大相似度的事件结点为起始结点查询与起始结点具有多跳相似、顺承关系的事件结点,由起始结点和多跳关系结点组成相关事件集合,相关事件集合包含与待识别事件句相关的前置事件。
以前一步骤找到的最相似结点A为起始结点,在neo4j数据库中查询与其具有4跳相似、顺承关系的事件结点,由起始结点和4跳关系结点组成相关事件集合S,S中尽可能的包含了与事件句Q相关的前置事件。
步骤四:将相关事件集合中的每一事件与待识别事件句组成事件序列对每一事件序列进行溯因推理得到解释事件集合。
将前一步骤得到的相关事件集合中的每一事件Si(如“人物A中枪后受伤倒地,胸口有流血。”)与待识别事件句Q组成事件序列(Si,Q),对每一事件序列使用GRF(多跳推理流生成)模型进行溯因推理,该模型对输入的两个事件Si和Q进行溯因推理,产生Si到Q之间可能发生的一个解释事件Hi(如“人物A在送医时已无生命体征。”),使得事件序列(Si,Hi,Q)合理,因此可以得到一个解释事件集合H。
作为一种实施方式,GRF模型通过对外部知识图(conceptnet中文部分)进行多跳推理,从而生成知识丰富的语言,模型主要包括了利用预训练中文GPT2模型进行上下文建模模块,静态多关系图编码模块,动态多跳推理流模块,带门控的生成分布模块。
步骤五:以解释事件集合中的每一解释事件对应的事件结点为解释事件起始结点,查询与解释事件起始结点具有多跳相似、因果关系的事件结点由起始结点和多跳关系结点组成因果事件集合。
对前一步骤得到的解释事件集合H中的每一解释事件Hi(如“人物A在送医时已无生命体征。”),以其对应的Si(如“人物A中枪后受伤倒地,胸口有流血。”)事件结点为起始结点,在neo4j数据库中查询与其具有4跳相似、因果关系的事件结点,由起始结点和4跳关系结点组成因果事件集合T,若T中事件Ti(如“到达医院时,人物A已处于心肺停止状态。”)与Hi具有最大余弦相似度且相似度大于0.9,则认为Ti与Hi描述同一事件,表明事件序列(Si,Ti,Q)(“人物A中枪后受伤倒地,胸口有流血。”,“人物A在送医时已无生命体征。”,“人物A在拉票活动中遭遇枪击,送医后不治身亡。”)合理,即根据已发生事件Si和Ti确有可能发生事件Q,记录Q为真并跳过H中剩余解释的判断,若最大相似度不大于该阈值(如T中不存在“到达医院时,人物A已处于心肺停止状态。”结点且无其他类似结点的情况),则继续判断下一解释Hj,若H中解释均未找到相似度大于阈值的Tj,则表示没有已发生事件可能导致事件句Q发生并记录Q为假,因此可以通过溯因推理对新发生的新闻事件进行识别并给出解释,在保证识别结果具有一定可解释性的同时,在一定程度上解决了基于事实的方法中由于事实库更新迟滞导致的不足。
步骤六:根据解释事件集合中的事件和因果事件集合中的事件的最大余弦相似度判断事件的真假,得到待识别新闻的真伪判断结果。
综合前述步骤中事件句的识别结果,给出待识别新闻的真伪及解释,假设待识别新闻为单一事件句“人物A在拉票活动中遭遇枪击,送医后不治身亡。”,若事件图谱中存在事件“到达医院时,人物A已处于心肺停止状态。”,则认定新闻为真,并给出如(“人物A中枪后受伤倒地,胸口有流血。”,“到达医院时,人物A已处于心肺停止状态。”,“人物A在拉票活动中遭遇枪击,送医后不治身亡。”)的事件发展脉络预测作为解释,若不存在类似“到达医院时,人物A已处于心肺停止状态。”的结点且其他解释也未在事件图谱中找到对应相似事件,则认定新闻为假,理由为没有任何已发生事件表明待识别新闻事件有可能会发生。
本实施例提供的基于知识图谱的虚假新闻辨识方法在保证识别结果具有一定可解释性的同时,能够通过结合事件图谱与待识别新闻进行溯因推理来识别新产生的虚假新闻,在一定程度上解决了基于事实的方法中由于事实库更新迟滞导致无法识别新发生新闻的不足。
实施例2
参照图4,如图4所示是本实施例提供的基于知识图谱的虚假新闻辨识装置结构框图,该装置用于实现前述实施例提供的基于知识图谱的虚假新闻辨识方法,具体包括以下结构:
文本预处理模块,用于获取待识别新闻文本,进行预处理操作,预处理包括分句和去无用词句,得到一个或多个待识别事件句;
相似度计算模块,用于向量化表示待识别事件句并与事件图谱中全部事件向量计算余弦相似度,找到具有最大相似度的事件结点;
相关事件集合构建模块,用于以具有最大相似度的事件结点为起始结点查询与起始结点具有多跳相似、顺承关系的事件结点,由起始结点和多跳关系结点组成相关事件集合,相关事件集合包含与待识别事件句相关的前置事件;
解释事件集合构建模块,用于将相关事件集合中的每一事件与待识别事件句组成事件序列对每一事件序列进行溯因推理得到解释事件集合;
因果事件集合构建模块,用于以解释事件集合中的每一解释事件对应的事件结点为解释事件起始结点,查询与解释事件起始结点具有多跳相似、因果关系的事件结点由起始结点和多跳关系结点组成因果事件集合;
真伪判断模块,用于根据解释事件集合中的事件和因果事件集合中的事件的最大余弦相似度判断事件的真假,得到待识别新闻的真伪判断结果。
本实施例提供的基于知识图谱的虚假新闻辨识装置在保证识别结果具有一定可解释性的同时,能够通过结合事件图谱与待识别新闻进行溯因推理来识别新产生的虚假新闻,在一定程度上解决了基于事实的方法中由于事实库更新迟滞导致无法识别新发生新闻的不足。
实施例3
本优选实施例提供了一种计算机设备,该计算机设备可以实现本申请实施例所提供的基于知识图谱的虚假新闻辨识方法任一实施例中的步骤,因此,可以实现本申请实施例所提供的基于知识图谱的虚假新闻辨识方法的有益效果,详见前面的实施例,在此不再赘述。
实施例4
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。为此,本发明实施例提供一种存储介质,其中存储有多条指令,该指令能够被处理器进行加载,以执行本发明实施例所提供的基于知识图谱的虚假新闻辨识方法中任一实施例的步骤。
其中,该存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。
由于该存储介质中所存储的指令,可以执行本发明实施例所提供的任一基于知识图谱的虚假新闻辨识方法实施例中的步骤,因此,可以实现本发明实施例所提供的任一基于知识图谱的虚假新闻辨识方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于溯因推理的虚假新闻识别方法,其特征在于,所述方法包括:
获取待识别新闻文本,进行预处理操作,所述预处理包括分句和去无用词句,得到一个或多个待识别事件句;
向量化表示待识别事件句并与事件图谱中全部事件向量计算余弦相似度,找到具有最大相似度的事件结点;
以所述具有最大相似度的事件结点为起始结点查询与所述起始结点具有多跳相似、顺承关系的事件结点,由起始结点和多跳关系结点组成相关事件集合,所述相关事件集合包含与待识别事件句相关的前置事件;
将所述相关事件集合中的每一事件与所述待识别事件句组成事件序列对每一事件序列进行溯因推理得到解释事件集合;
以所述解释事件集合中的每一解释事件对应的事件结点为解释事件起始结点,查询与所述解释事件起始结点具有多跳相似、因果关系的事件结点由起始结点和多跳关系结点组成因果事件集合;
根据所述解释事件集合中的事件和所述因果事件集合中的事件的最大余弦相似度判断事件的真假,得到待识别新闻的真伪判断结果。
2.如权利要求1所述的基于溯因推理的虚假新闻识别方法,其特征在于,所述事件图谱的构建方式包括:
获取真实新闻样本,对所述真实新闻样本分句得到独立的事件表示句,再去除所述真实新闻样本中的无用词句;
对所述真实新闻样本中的任意两个事件表示句进行三分类,判断两个事件之间是无关、顺承、还是因果关系;
将分类后的具有因果、顺承关系的事件向量化表示,然后将事件句和事件向量作为结点、关系作为边,以三元组的形式构建事件图谱;
3.如权利要求2所述的基于溯因推理的虚假新闻识别方法,其特征在于,所述方法还包括对发表时间间隔小于预设阈值的真实新闻样本之间的事件表示句进行分类。
4.如权利要求2所述的基于溯因推理的虚假新闻识别方法,其特征在于,所述方法通过计算事件向量之间的余弦相似度在相似的事件结点之间建立相似边。
5.如权利要求1所述的基于溯因推理的虚假新闻识别方法,其特征在于,所述根据所述解释事件集合中的事件和所述因果事件集合中的事件的最大余弦相似度判断事件的真假具体包括:
若所述因果事件集合中某一事件和解释事件集合中某一事件的最大余弦相似度大于相似度阈值,则记为确有可能发生事件并跳过所述解释事件集合中剩余解释事件的判断;
若所述因果事件集合中任一事件和解释事件集合中任一事件的最大余弦相似度不大于所述相似度阈值,则记为虚假事件。
6.如权利要求1所述的基于溯因推理的虚假新闻识别方法,其特征在于,所述向量化表示采用预训练语言模型,利用孪生结构生成具有语义意义的句子向量。
7.如权利要求1所述的基于溯因推理的虚假新闻识别方法,其特征在于,所述溯因推理采用多跳推理流生成模型。
8.一种基于溯因推理的虚假新闻识别装置,其特征在于,所述装置用于实现权利要求1所述的基于溯因推理的虚假新闻识别方法,所述装置包括:
文本预处理模块,用于获取待识别新闻文本,进行预处理操作,所述预处理包括分句和去无用词句,得到一个或多个待识别事件句;
相似度计算模块,用于向量化表示待识别事件句并与事件图谱中全部事件向量计算余弦相似度,找到具有最大相似度的事件结点;
相关事件集合构建模块,用于以所述具有最大相似度的事件结点为起始结点查询与所述起始结点具有多跳相似、顺承关系的事件结点,由起始结点和多跳关系结点组成相关事件集合,所述相关事件集合包含与待识别事件句相关的前置事件;
解释事件集合构建模块,用于将所述相关事件集合中的每一事件与所述待识别事件句组成事件序列对每一事件序列进行溯因推理得到解释事件集合;
因果事件集合构建模块,用于以所述解释事件集合中的每一解释事件对应的事件结点为解释事件起始结点,查询与所述解释事件起始结点具有多跳相似、因果关系的事件结点由起始结点和多跳关系结点组成因果事件集合;
真伪判断模块,用于根据所述解释事件集合中的事件和所述因果事件集合中的事件的最大余弦相似度判断事件的真假,得到待识别新闻的真伪判断结果。
9.一种计算机设备,其特征在于,所述计算机设备包括处理器和存储器,所述存储器中存储有计算机程序,所述计算机程序由所述处理器加载并执行以实现如权利要求1至7任一项所述的基于知识图谱的虚假新闻辨识方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质中存储有计算机程序,所述计算机程序由处理器加载并执行以实现如权利要求1至7任一项所述的基于知识图谱的虚假新闻辨识方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211409429.7A CN115730221A (zh) | 2022-11-11 | 2022-11-11 | 基于溯因推理的虚假新闻识别方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211409429.7A CN115730221A (zh) | 2022-11-11 | 2022-11-11 | 基于溯因推理的虚假新闻识别方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115730221A true CN115730221A (zh) | 2023-03-03 |
Family
ID=85295191
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211409429.7A Pending CN115730221A (zh) | 2022-11-11 | 2022-11-11 | 基于溯因推理的虚假新闻识别方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115730221A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117350386A (zh) * | 2023-12-04 | 2024-01-05 | 南京信息工程大学 | 一种事件溯因推理方法及系统 |
-
2022
- 2022-11-11 CN CN202211409429.7A patent/CN115730221A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117350386A (zh) * | 2023-12-04 | 2024-01-05 | 南京信息工程大学 | 一种事件溯因推理方法及系统 |
CN117350386B (zh) * | 2023-12-04 | 2024-03-19 | 南京信息工程大学 | 一种事件溯因推理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110750640B (zh) | 基于神经网络模型的文本数据分类方法、装置及存储介质 | |
CN111931506B (zh) | 一种基于图信息增强的实体关系抽取方法 | |
CN113094578B (zh) | 基于深度学习的内容推荐方法、装置、设备及存储介质 | |
Chang et al. | Research on detection methods based on Doc2vec abnormal comments | |
CN110688489B (zh) | 基于交互注意力的知识图谱推演方法、装置和存储介质 | |
CN113392209B (zh) | 一种基于人工智能的文本聚类方法、相关设备及存储介质 | |
CN109472022B (zh) | 基于机器学习的新词识别方法及终端设备 | |
KR20210023452A (ko) | 속성 단위 리뷰 분석 장치 및 방법 | |
CN108319587B (zh) | 一种多权重的舆情价值计算方法及系统、计算机 | |
CN113779358B (zh) | 一种事件检测方法和系统 | |
CN113282711B (zh) | 一种车联网文本匹配方法、装置、电子设备及存储介质 | |
CN111881264B (zh) | 一种开放领域问答任务中长文本检索的方法和电子设备 | |
CN108536735A (zh) | 基于多通道自编码器的多模态词汇表示方法与系统 | |
CN113593661A (zh) | 临床术语标准化方法、装置、电子设备及存储介质 | |
KR102206781B1 (ko) | 지식 기반 추론 및 신뢰도 분석을 이용한 가짜뉴스 판별 방법, 이를 수행하기 위한 기록매체 및 장치 | |
KR102661438B1 (ko) | 인터넷 기사 크롤링, 글로벌 가치 사슬에 영향을 주는 이슈 기사의 요약 서비스를 제공하는 웹크롤러 시스템 | |
CN115730221A (zh) | 基于溯因推理的虚假新闻识别方法、装置、设备及介质 | |
CN117828024A (zh) | 一种插件检索方法、装置、存储介质及设备 | |
CN113051886A (zh) | 一种试题查重方法、装置、存储介质及设备 | |
Wu et al. | A study on natural language processing classified news | |
CN113010642B (zh) | 语义关系的识别方法、装置、电子设备及可读存储介质 | |
CN112308453B (zh) | 风险识别模型训练方法、用户风险识别方法及相关装置 | |
CN117151089A (zh) | 新词发现方法、装置、设备和介质 | |
CN113535945B (zh) | 文本类别的识别方法、装置、设备及计算机可读存储介质 | |
CN114662496A (zh) | 信息识别方法、装置、设备、存储介质及产品 |
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 |