CN116401602A - 事件检测方法、装置、设备及计算机可读介质 - Google Patents
事件检测方法、装置、设备及计算机可读介质 Download PDFInfo
- Publication number
- CN116401602A CN116401602A CN202310419458.XA CN202310419458A CN116401602A CN 116401602 A CN116401602 A CN 116401602A CN 202310419458 A CN202310419458 A CN 202310419458A CN 116401602 A CN116401602 A CN 116401602A
- Authority
- CN
- China
- Prior art keywords
- rumor
- node
- propagation
- event
- stage
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 49
- 239000013598 vector Substances 0.000 claims abstract description 42
- 238000012163 sequencing technique Methods 0.000 claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 12
- 239000004973 liquid crystal related substance Substances 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000008451 emotion Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/216—Parsing using statistical methods
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明涉及人工智能技术领域,揭露一种事件检测方法,包括:获取待检测事件中的各个传播节点,并将各个传播节点按照发布时间依次排序,得到节点排序,并根据节点排序计算每两个节点的发布时间差;根据发布时间差将节点排序中的传播节点划分为多个阶段的传播节点,并获取各个阶段中所有的传播节点的文本信息,得到多个阶段文本;通过BERT网络将阶段文本转化为嵌入向量,将嵌入向量输入预设的GRU单元,得到GRU单元更新状态,将GRU单元更新状态输入预设的神经网络,计算各个阶段文本的谣言概率;根据各个阶段文本的谣言概率判断待检测事件是否为谣言事件。本发明还提出一种事件检测方法装置、设备及存储介质。本发明可以提升对事件检测的准确率。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种事件检测方法、装置、设备及介质。
背景技术
谣言是指没有依据事实,而是凭空想象或根据主观意愿刻意编造的传言。随着互联网技术的普及,利用互联网灵活无序的网络传播,谣言传播变的速度更快、作用力更强。
现有的谣言事件检测模型一般是根据固定大小的节点数将谣言事件划分为不同的阶段,但是这种谣言事件检测模型并没有考虑到谣言在实际传播过程中的动态特性,采用这种谣言事件检测模型容易在阶段的划分过程中丢失谣言的传播学特性,导致谣言事件的检测准确率较低。
发明内容
本发明提供一种事件检测方法、装置、设备及介质,其主要目的在于提升检测事件的准确性。
为实现上述目的,本发明提供的一种事件检测方法,包括:
获取待检测事件中的各个传播节点,并将各个所述传播节点按照发布时间依次排序,得到节点排序,并根据所述节点排序计算每两个节点的发布时间差;
根据所述发布时间差将所述节点排序中的传播节点划分为多个阶段的传播节点,并获取各个阶段中所有的传播节点的文本信息,得到多个阶段文本;
通过预设的BERT网络将多个所述阶段文本转化为嵌入向量,并获取预设的GRU单元,依次将各个所述嵌入向量输入所述GRU单元,得到多个GRU单元更新状态,依次将各个所述GRU单元更新状态输入预设的神经网络,并通过激活函数计算各个所述阶段文本的谣言概率;
根据各个所述阶段文本的谣言概率确定所述待检测事件是否为谣言事件。
可选地,所述根据所述发布时间差将所述节点排序中的传播节点划分为多个阶段的传播节点,包括:
从所述节点排序中的初始传播节点开始迭代,若当前传播节点和下一个传播节点的时间差小于等于预设阈值,则将预设的计数变量加一,并在所述计数变量达到预设取值上限时不再增加;
若当前节点和下一传播节点的时间差大于所述预设阈值,则将所述计数变量减一,并在所述计数变量到达预设取值下限时不再减少,其中,所述取值上限和所述取值下限互为相反数;
获取所述计数变量为零值时对应的传播节点,并将所述计数变量为零值时对应的传播节点作为阶段划分边界;
根据所述阶段划分边界将所述节点排序中的节点划分为多个阶段的传播节点。
可选地,所述依次将各个所述嵌入向量输入所述GRU单元,得到多个GRU单元更新状态之前,所述方法还包括:
将所述GRU单元的初始单元状态设置为零向量。
可选地,所述依次将各个所述嵌入向量输入所述GRU单元,得到多个GRU单元更新状态,包括:
获取所述GRU单元的当前更新状态;
根据所述GRU单元的当前更新状态和各个所述嵌入向量更新所述GRU单元的单元状态,得到多个所述GRU单元更新状态。
可选地,所述根据各个所述阶段文本的谣言概率确定所述待检测事件是否为谣言事件,包括:
获取谣言概率阈值,并分别比较各个所述阶段文本的谣言概率与所述谣言概率的大小;
若各个所述阶段文本的谣言概率之中存在大于所述谣言概率阈值的谣言概率,则确定所述待检测事件为谣言;
若各个所述阶段文本的谣言概率之中均不存在大于所述谣言概率阈值的谣言概率,则确定所述待检测事件不为谣言。
可选地,所述将各个所述传播节点按照发布时间依次排序,得到节点排序,包括:
获取各个所述传播节点的节点编号和发布时间;
根据所述发布时间从近到远的顺序将所述传播节点的节点编号进行排序,得到节点排序。
可选地,所述根据各个所述阶段文本的谣言概率确定所述待检测事件是否为谣言事件的数学表达式如下:
为了解决上述问题,本发明还提供一种事件检测方法装置,所述装置包括:
节点排序模块,用于获取待检测事件中的各个传播节点,并将各个所述传播节点按照发布时间依次排序,得到节点排序,并根据所述节点排序计算每两个节点的发布时间差;
文本获取模块,用于根据所述发布时间差将所述节点排序中的传播节点划分为多个阶段的传播节点,并获取各个阶段中所有的传播节点的文本信息,得到多个阶段文本;
概率计算模块,用于通过预设的BERT网络将多个所述阶段文本转化为嵌入向量,并获取预设的GRU单元,依次将各个所述嵌入向量输入所述GRU单元,得到多个GRU单元更新状态,依次将各个所述GRU单元更新状态输入预设的神经网络,并通过激活函数计算各个所述阶段文本的谣言概率;
谣言事件判断模块,用于根据各个所述阶段文本的谣言概率确定所述待检测事件是否为谣言事件。
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:
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上所述的事件检测方法。
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,包括存储数据区和存储程序区,存储数据区存储创建的数据,存储程序区存储有计算机程序;其中,所述计算机程序被处理器执行时实现如上所述的事件检测方法。
本发明实施例中,通过将待检测事件中的各个传播节点按照发布时间依次排序,计算得到每个节点的发布时间差,达到将各个节点进行区分的目的,根据发布时间差将传播节点划分为多个阶段的传播节点,结合了谣言传播过程中的动态特性,实现将待检测的谣言事件分段,最后通过计算各个阶段文本的谣言概率判断待检测事件是否为谣言事件,能够准确识别待检测时间是否为谣言时间,提升了检测事件的准确性。
附图说明
图1为本发明一实施例提供的一种事件检测方法的流程示意图;
图2为本发明一实施例提供一种事件检测方法中一个步骤的详细流程示意图;
图3为本发明一实施例提供一种事件检测方法中一个步骤的详细流程示意图;
图4为本发明一实施例提供的事件检测方法装置的模块示意图;
图5为本发明一实施例提供的实现事件检测方法的电子设备的内部结构示意图。
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事件检测方法。所述事件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。其中,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。换言之,所述事件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。
参照图1所示,为本发明一实施例提供的一种事件检测方法的流程示意图。在本实施例中,所述事件检测方法包括以下步骤S1-S4:
S1、获取待检测事件中的各个传播节点,并将各个所述传播节点按照发布时间依次排序,得到节点排序,并根据所述节点排序计算每两个节点的发布时间差。
本发明实施例中,所述待检测事件为任何疑似网络谣言事件。
本发明实施例中,所述传播节点为传播路径的节点,所述传播路径包括事件传播的整个过程,如有多个媒体账号进行转发时,这些媒体账号的转发事项就是传播路径的节点,所述媒体账号可以为用户使用的应用程序账号。
进一步地,本发明实施例中,所述传播节点表示为自身编号、文本信息和发布内容,例如传播节点1:自身编号id1、文本信息x1、发布时间time1,传播节点n:自身编号idn、文本信息xn、发布时间timen等。
进一步地,所述将各个所述传播节点按照发布时间依次排序,得到节点排序,包括:
获取各个所述传播节点的节点编号和发布时间;
根据所述发布时间从近到远的顺序将所述传播节点的节点编号进行排序,得到节点排序。
本发明实施例中,通过将各个所述传播节点按照发布时间依次排序可以得到所述传播事件传播过程中各个传播节点的响应情况,便于得到所述传播事件的传播速度。
进一步地,所述根据所述节点排序计算每两个节点的发布时间差,包括:
将所述节点排序中各个相邻的传播节点对应的发布时间两两相减,得到每个节点的发布时间差。
本发明实施例中,所述节点排序中相邻的两个节点仅表示在传播时间上相近,并不表示在传播过程中上下级关系,例如传播节点a为传播路径1下的第5个节点,传播节点b为传播路径2下的第4个节点,但在节点排序中传播节点a可能会在传播节点b之前。
本发明实施例中,所述发布时间差为两个传播节点的发布时间的差值,精细度为毫秒。
本发明实施例中,通过将所述节点排序中各个相邻的传播节点对应的发布时间两两相减,得到相邻节点的节点发布时间差可以对所述谣言事件的传播速度进行初步估计。
S2、根据所述发布时间差将所述节点排序中的传播节点划分为多个阶段的传播节点,并获取各个阶段中所有的传播节点的文本信息,得到多个阶段文本。
本发明实施例中,所述阶段文本为一个阶段中所有传播节点的文本的集合。
参考图2所示,进一步地,所述根据所述发布时间差将所述节点排序中的传播节点划分为多个阶段的传播节点,包括:
S20、从所述节点排序中的初始传播节点开始迭代,若当前传播节点和下一个传播节点的时间差小于等于预设阈值,则将预设的计数变量加一,并在所述计数变量达到预设取值上限时不再增加;
S21、若当前节点和下一传播节点的时间差大于所述预设阈值,则将所述计数变量减一,并在所述计数变量到达预设取值下限时不再减少,其中,所述取值上限和所述取值下限互为相反数;
S22、获取所述计数变量为零值时对应的传播节点,并将所述计数变量为零值时对应的传播节点作为阶段划分边界;
S23、根据所述阶段划分边界将所述节点排序中的节点划分为多个阶段的传播节点。
本发明实施例中,所述计数变量的取值上限和所述取值下限可以人为设置,例如,将计数变量设置为6和-6。
本发明实施例中,根据所述发布时间差将所述节点排序中的传播节点进行划分可以体现谣言在传播过程中的动态特性,明确在何时所述谣言事件的传播速度快,何时所述谣言事件的传播速度慢。
S3、通过预设的BERT网络将多个所述阶段文本转化为嵌入向量,并获取预设的GRU单元,依次将各个所述嵌入向量输入所述GRU单元,得到多个GRU单元更新状态,依次将各个所述GRU单元更新状态输入预设的神经网络,并通过激活函数计算各个所述阶段文本的谣言概率。
本发明实施例中,所述GRU单元全称为门控循环单元(Gated Recurrent Units,GRU)用于计算各个向量的概率。
本发明实施例中,所述依次将各个所述嵌入向量输入所述GRU单元,得到多个GRU单元更新状态之前,所述方法还包括:
将所述GRU单元的初始单元状态设置为零向量。
参考图3所示,进一步地,所述依次将各个所述嵌入向量输入所述GRU单元,得到多个GRU单元更新状态,包括:
S30、获取所述GRU单元的当前更新状态;
S31、根据所述GRU单元的当前更新状态和各个所述嵌入向量更新所述GRU单元的单元状态,得到多个所述GRU单元更新状态。
进一步地,在初次更新所述GRU单元的单元状态时将所述GRU单元的初始单元状态作为所述GRU单元的当前更新状态。
其中,所述根据所述GRU单元的当前更新状态和各个所述嵌入向量更新所述GRU单元的单元状态的计算公式为;
z=σ(xtUz+st-1Wz)
其中,σ为sigmoid函数,xt为当前输入的嵌入向量,st-1为当前GRU单元的单元状态,Uz和Wz为权重矩阵,z为GRU单元更新状态。
本发明实施例中,所述BERT网络是一种大型计算密集型网络,所述BERT网络的发展为自然语言理解奠定了基础。进一步地,所述BERT网络可以应用于语言处理任务中,例如阅读理解、情感分析和情感问答等。进一步地,所述嵌入向量(Embedding Vector)为文本的一种向量表示,也可以看作从文本中提取的一种特征。
S4、根据各个所述阶段文本的谣言概率确定所述待检测事件是否为谣言事件。
本发明实施例中,通过将所述谣言事件划分为多个阶段,根据谣言传播过程中的各个阶段的谣言概率去得到所述谣言事件是否为谣言。
进一步地,所述根据各个所述阶段文本的谣言概率确定所述待检测事件是否为谣言事件,包括:
获取谣言概率阈值,并分别比较各个所述阶段文本的谣言概率与所述谣言概率的大小;
若各个所述阶段文本的谣言概率之中存在大于所述谣言概率阈值的谣言概率,则确定所述待检测事件为谣言;
若各个所述阶段文本的谣言概率之中均不存在大于所述谣言概率阈值的谣言概率,则确定所述待检测事件不为谣言。
本发明实施例中,所述谣言概率阈值为判断各个所述阶段文本为谣言的可能性的阈值。例如,存在谣言概率阈值为p=0.5,各个阶段文本的谣言概率分别为0.2、0.4、0.4、0.6,则谣言事件的个阶段文本中存在谣言概率大于谣言概率阈值,确定该谣言事件为谣言。
进一步的,本发明实施例中,所述根据各个所述阶段文本的谣言概率确定所述待检测事件是否为谣言事件,还可以通过如下数学表达式表示:
本发明实施例中,通过将待检测事件中的各个传播节点按照发布时间依次排序,计算得到每个节点的发布时间差,达到将各个节点进行区分的目的,根据发布时间差将传播节点划分为多个阶段的传播节点,结合了谣言传播过程中的动态特性,实现将待检测的谣言事件分段,最后通过计算各个阶段文本的谣言概率判断待检测事件是否为谣言事件,能够准确识别待检测时间是否为谣言时间,提升了检测事件的准确性。
如图4所示,是本发明事件检测方法装置的模块示意图。
本发明所述事件检测方法装置100可以安装于电子设备中。根据实现的功能,所述事件检测方法装置可以包括节点排序模块101、文本获取模块102、概率计算模块103和谣言事件判断模块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:
所述节节点排序模块101,用于获取待检测事件中的各个传播节点,并将各个所述传播节点按照发布时间依次排序,得到节点排序,并根据所述节点排序计算每两个节点的发布时间差;
文本获取模块102,用于根据所述发布时间差将所述节点排序中的传播节点划分为多个阶段的传播节点,并获取各个阶段中所有的传播节点的文本信息,得到多个阶段文本;
概率计算模块103,用于通过预设的BERT网络将多个所述阶段文本转化为嵌入向量,并获取预设的GRU单元,依次将各个所述嵌入向量输入所述GRU单元,得到多个GRU单元更新状态,依次将各个所述GRU单元更新状态输入预设的神经网络,并通过激活函数计算各个所述阶段文本的谣言概率;
谣言事件判断模块104,用于根据各个所述阶段文本的谣言概率确定所述待检测事件是否为谣言事件。
详细地,本发明实施例中所述事件检测方法装置100中所述的各模块在使用时采用与上述图1至图3所述的事件检测方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图5所示,是本发明实现事件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、通信总线12以及通信接口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,如事件检测方法程序。
其中,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(ControlUnit),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(例如执行事件检测方法程序等),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(Secure Digital,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,例如事件检测方法程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线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。
所述通信接口13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。
图5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5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。
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存储的事件检测方法程序是多个计算机程序的组合,在所述处理器10中运行时,可以实现:
获取待检测事件中的各个传播节点,并将各个所述传播节点按照发布时间依次排序,得到节点排序,并根据所述节点排序计算每两个节点的发布时间差;
根据所述发布时间差将所述节点排序中的传播节点划分为多个阶段的传播节点,并获取各个阶段中所有的传播节点的文本信息,得到多个阶段文本;
通过预设的BERT网络将多个所述阶段文本转化为嵌入向量,并获取预设的GRU单元,依次将各个所述嵌入向量输入所述GRU单元,得到多个GRU单元更新状态,依次将各个所述GRU单元更新状态输入预设的神经网络,并通过激活函数计算各个所述阶段文本的谣言概率;
根据各个所述阶段文本的谣言概率确定所述待检测事件是否为谣言事件。
具体地,所述处理器10对上述计算机程序的具体实现方法可参考图1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,可以存储在一个非易失性计算机可读取存储介质中。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:
获取待检测事件中的各个传播节点,并将各个所述传播节点按照发布时间依次排序,得到节点排序,并根据所述节点排序计算每两个节点的发布时间差;
根据所述发布时间差将所述节点排序中的传播节点划分为多个阶段的传播节点,并获取各个阶段中所有的传播节点的文本信息,得到多个阶段文本;
通过预设的BERT网络将多个所述阶段文本转化为嵌入向量,并获取预设的GRU单元,依次将各个所述嵌入向量输入所述GRU单元,得到多个GRU单元更新状态,依次将各个所述GRU单元更新状态输入预设的神经网络,并通过激活函数计算各个所述阶段文本的谣言概率;
根据各个所述阶段文本的谣言概率确定所述待检测事件是否为谣言事件。
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。
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。
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)
1.一种事件检测方法,其特征在于,所述方法包括:
获取待检测事件中的各个传播节点,并将各个所述传播节点按照发布时间依次排序,得到节点排序,并根据所述节点排序计算每两个节点的发布时间差;
根据所述发布时间差将所述节点排序中的传播节点划分为多个阶段的传播节点,并获取各个阶段中所有的传播节点的文本信息,得到多个阶段文本;
通过预设的BERT网络将多个所述阶段文本转化为嵌入向量,并获取预设的GRU单元,依次将各个所述嵌入向量输入所述GRU单元,得到多个GRU单元更新状态,依次将各个所述GRU单元更新状态输入预设的神经网络,并通过激活函数计算各个所述阶段文本的谣言概率;
根据各个所述阶段文本的谣言概率确定所述待检测事件是否为谣言事件。
2.如权利要求1所述的事件检测方法,其特征在于,所述根据所述发布时间差将所述节点排序中的传播节点划分为多个阶段的传播节点,包括:
从所述节点排序中的初始传播节点开始迭代,若当前传播节点和下一个传播节点的时间差小于等于预设阈值,则将预设的计数变量加一,并在所述计数变量达到预设取值上限时不再增加;
若当前节点和下一传播节点的时间差大于所述预设阈值,则将所述计数变量减一,并在所述计数变量到达预设取值下限时不再减少,其中,所述取值上限和所述取值下限互为相反数;
获取所述计数变量为零值时对应的传播节点,并将所述计数变量为零值时对应的传播节点作为阶段划分边界;
根据所述阶段划分边界将所述节点排序中的节点划分为多个阶段的传播节点。
3.如权利要求1所述的事件检测方法,其特征在于,所述依次将各个所述嵌入向量输入所述GRU单元,得到多个GRU单元更新状态之前,所述方法还包括:
将所述GRU单元的初始单元状态设置为零向量。
4.如权利要求1所述的事件检测方法,其特征在于,所述依次将各个所述嵌入向量输入所述GRU单元,得到多个GRU单元更新状态,包括:
获取所述GRU单元的当前更新状态;
根据所述GRU单元的当前更新状态和各个所述嵌入向量更新所述GRU单元的单元状态,得到多个所述GRU单元更新状态。
5.如权利要求1所述的事件检测方法,其特征在于,所述根据各个所述阶段文本的谣言概率确定所述待检测事件是否为谣言事件,包括:
获取谣言概率阈值,并分别比较各个所述阶段文本的谣言概率与所述谣言概率的大小;
若各个所述阶段文本的谣言概率之中存在大于所述谣言概率阈值的谣言概率,则确定所述待检测事件为谣言;
若各个所述阶段文本的谣言概率之中均不存在大于所述谣言概率阈值的谣言概率,则确定所述待检测事件不为谣言。
6.如权利要求1所述的事件检测方法,其特征在于,所述将各个所述传播节点按照发布时间依次排序,得到节点排序,包括:
获取各个所述传播节点的节点编号和发布时间;
根据所述发布时间从近到远的顺序将所述传播节点的节点编号进行排序,得到节点排序。
8.一种事件检测方法装置,其特征在于,所述装置包括:
节点排序模块,用于获取待检测事件中的各个传播节点,并将各个所述传播节点按照发布时间依次排序,得到节点排序,并根据所述节点排序计算每两个节点的发布时间差;
文本获取模块,用于根据所述发布时间差将所述节点排序中的传播节点划分为多个阶段的传播节点,并获取各个阶段中所有的传播节点的文本信息,得到多个阶段文本;
概率计算模块,用于通过预设的BERT网络将多个所述阶段文本转化为嵌入向量,并获取预设的GRU单元,依次将各个所述嵌入向量输入所述GRU单元,得到多个GRU单元更新状态,依次将各个所述GRU单元更新状态输入预设的神经网络,并通过激活函数计算各个所述阶段文本的谣言概率;
谣言事件判断模块,用于根据各个所述阶段文本的谣言概率确定所述待检测事件是否为谣言事件。
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中任一项所述的事件检测方法。
10.一种计算机可读存储介质,包括存储数据区和存储程序区,存储数据区存储创建的数据,存储程序区存储有计算机程序;其中,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的事件检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310419458.XA CN116401602A (zh) | 2023-04-10 | 2023-04-10 | 事件检测方法、装置、设备及计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310419458.XA CN116401602A (zh) | 2023-04-10 | 2023-04-10 | 事件检测方法、装置、设备及计算机可读介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116401602A true CN116401602A (zh) | 2023-07-07 |
Family
ID=87007316
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310419458.XA Pending CN116401602A (zh) | 2023-04-10 | 2023-04-10 | 事件检测方法、装置、设备及计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116401602A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117076911A (zh) * | 2023-10-17 | 2023-11-17 | 南京航空航天大学 | 一种基于传播结构动态保持的网络谣言检测方法 |
-
2023
- 2023-04-10 CN CN202310419458.XA patent/CN116401602A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117076911A (zh) * | 2023-10-17 | 2023-11-17 | 南京航空航天大学 | 一种基于传播结构动态保持的网络谣言检测方法 |
CN117076911B (zh) * | 2023-10-17 | 2024-01-26 | 南京航空航天大学 | 一种基于传播结构动态保持的网络谣言检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113704410B (zh) | 情绪波动检测方法、装置、电子设备及存储介质 | |
CN113868529A (zh) | 知识推荐方法、装置、电子设备及可读存储介质 | |
CN114612194A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
CN112465141A (zh) | 模型压缩方法、装置、电子设备及介质 | |
CN116401602A (zh) | 事件检测方法、装置、设备及计算机可读介质 | |
CN113627160B (zh) | 文本纠错方法、装置、电子设备及存储介质 | |
CN112269875B (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN111950707B (zh) | 基于行为共现网络的行为预测方法、装置、设备及介质 | |
CN113868528A (zh) | 资讯推荐方法、装置、电子设备及可读存储介质 | |
CN113742069A (zh) | 基于人工智能的容量预测方法、装置及存储介质 | |
CN111652282B (zh) | 基于大数据的用户偏好分析方法、装置及电子设备 | |
CN113515591B (zh) | 文本不良信息识别方法、装置、电子设备及存储介质 | |
CN113656586B (zh) | 情感分类方法、装置、电子设备及可读存储介质 | |
CN113313211B (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN113806540A (zh) | 文本打标签方法、装置、电子设备及存储介质 | |
CN113704407A (zh) | 基于类别分析的投诉量分析方法、装置、设备及存储介质 | |
CN113139129B (zh) | 虚拟阅读轨迹图生成方法、装置、电子设备及存储介质 | |
CN113592606B (zh) | 基于多重决策的产品推荐方法、装置、设备及存储介质 | |
CN113723611B (zh) | 基于因果推断的业务因子生成方法、装置、设备及介质 | |
CN114723488B (zh) | 课程推荐方法、装置、电子设备及存储介质 | |
CN114462411B (zh) | 命名实体识别方法、装置、设备及存储介质 | |
CN113706204B (zh) | 基于深度学习的权益发放方法、装置、设备及存储介质 | |
CN115225489B (zh) | 队列业务流量阈值动态控制方法、电子设备及存储介质 | |
CN116521867A (zh) | 文本聚类方法、装置、电子设备及存储介质 | |
CN116340466A (zh) | 文本特征提取方法、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 |