CN117633635B - 一种基于时空传播图的动态谣言检测方法 - Google Patents
一种基于时空传播图的动态谣言检测方法 Download PDFInfo
- Publication number
- CN117633635B CN117633635B CN202410091381.2A CN202410091381A CN117633635B CN 117633635 B CN117633635 B CN 117633635B CN 202410091381 A CN202410091381 A CN 202410091381A CN 117633635 B CN117633635 B CN 117633635B
- Authority
- CN
- China
- Prior art keywords
- graph
- rumor
- time
- propagation
- space
- 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
- 238000010586 diagram Methods 0.000 title claims abstract description 58
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 230000000750 progressive effect Effects 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 238000012795 verification Methods 0.000 claims abstract description 8
- 238000007635 classification algorithm Methods 0.000 claims abstract description 7
- 238000000638 solvent extraction Methods 0.000 claims abstract description 6
- 230000008451 emotion Effects 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims abstract description 3
- 239000011159 matrix material Substances 0.000 claims description 25
- 239000013598 vector Substances 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 18
- 238000000034 method Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 238000012986 modification Methods 0.000 claims description 6
- 230000004048 modification Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 4
- 101100379079 Emericella variicolor andA gene Proteins 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 2
- 230000000875 corresponding effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000001364 causal effect Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000826860 Trapezium Species 0.000 description 1
- 102220559234 Voltage-dependent L-type calcium channel subunit alpha-1C_S30H_mutation Human genes 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 235000019633 pungent taste Nutrition 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000002910 structure generation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开一种基于时空传播图的动态谣言检测方法，包括以下步骤：构造用户内容传播动态图的序列，按照时刻进行分块，得到邻近图结构集合，做空洞卷积处理，输出各时刻图分块渐进图卷积隐藏表示，压缩为全局时空传播图表示，与情绪和话题特征相融合，获得谣言传播图结构表示，使用图神经网络分类算法进行第一次谣言分类判定，构建三层图卷积生成网络，生成谣言演化图结构，微调修改得到预测图，将用户内容传播图和预测图进行融合，形成谣言历史与演化图结构，复用图卷积分类思想进行二次核验。本发明提供的一种基于时空传播图的动态谣言检测方法，能够考虑用户内容传播图的动态特征和全局时空信息，有效识别社交网络中的谣言。
Description
技术领域
本发明涉及一种基于时空传播图的动态谣言检测方法，属于图结构生成、图结构分类和图结构预测技术领域。
背景技术
谣言检测并非静态孤立，社交网络中用户行为、群体聚集、影响力辐射将导致用户内容传播，进而带来网络结构变化，使用户发布内容热度呈现阶段式演变；即除语义内容外，谣言判定受网络传播的动态性影响，既需考虑当下网络结构交互，亦需预估后期传播发展态势。因此，综合考虑语义、网络结构以及多因素动态演变信息以进行谣言检测，仍是具有挑战性的问题。
在社交网络平台中，用户发布内容与评论之间、评论与评论之间有着重要的结构化传播特征。第一，已有相关工作采用图神经网络分析谣言传播图结构，完成谣言检测判定。具体而言， 以双向图卷积按“自顶而下”和“自底向上”两个方向，卷积谣言传播图结构并融合两类方向上的图结构特征，以完成谣言检测。以时序演化模式模拟信息扩散过程，并结合用户发布内容语义特征协同进行谣言检测。从外界知识图谱中，引入与当前谣言传播图相关的辅助信息，并以重要子图结构作为传播记忆认知基础，提高谣言检测可解释性。将谣言转发图结构转化为易于处理的二叉树，并从中抽取元路径作为谣言检测语料库，以提升谣言检测精准度。改进图神经网络卷积算子，捕捉谣言传播过程的动态性，以识别出社交网络中的谣言信息。通过邻居路径学习谣言传播图的节点表示，通过“谱域卷积”定位谣言传播源，以完成谣言检测。第二，谣言传播图具备动态演化性，为防止当前用户发布内容在后期演变为谣言，部分学者通过条件化图结构生成，预测谣言传播图或演变出的图结构，以提高谣言检测精准度；基于历史传播图中节点关注的“互惠性”，增量扩展图中节点序列，以生成新的传播图结构。以图神经网络参数与节点邻接性为基础映射，推断图神经网络参数与新加入节点邻接性对应关系，以自监督学习方式有效处理十万节点以上的大型谣言传播图。
目前，谣言检测算法大多基于静态用户内容传播图结构信息进行谣言检测，而忽略了用户内容传播图的动态特征和全局时空信息，存在难以提取传播图结构动态性以及演化规律信息遗漏的问题。
发明内容
本发明要解决的技术问题是，克服现有技术的缺陷，提供一种基于时空传播图的动态谣言检测方法，能够考虑用户内容传播图的动态特征和全局时空信息，有效识别社交网络中的谣言。
为解决上述技术问题，本发明采用的技术方案为：
一种基于时空传播图的动态谣言检测方法，包括以下步骤：
以用户评论与转发、时间戳与发布位置为主线，针对谣言内容构造用户内容传播动态图的序列；
将用户内容传播动态图的序列按照时刻进行分块，得到邻近图结构集合；
将邻近图结构集合中各时刻下图分块做空洞卷积处理，输出各时刻图分块渐进图卷积隐藏表示；
将各时刻图分块渐进图卷积隐藏表示的序列为输入，通过三层倒梯形图卷积压缩，按横向-时间方向与纵向-空间方向，逐步压缩为全局时空传播图表示；
将全局时空传播图表示与用户内容传播动态图中各节点的情绪和话题特征相融合，获得谣言传播图结构表示；
使用图神经网络分类算法对谣言传播图结构表示进行第一次谣言分类判定，若谣言传播图结构表示被判定为非谣言，则进行谣言截断措施；
若谣言传播图结构表示被判定为非谣言，则构建空间-时间-空间的三层图卷积生成网络，根据邻近图结构集合中当前时刻下非谣言节点的图分块，生成未来时刻或演化出的内容传播结构，即谣言演化图结构；
将谣言演化图结构做图结构微调修改得到预测图；
将用户内容传播图和预测图进行融合，形成谣言历史与演化图结构；
将谣言历史与演化图结构使用渐进图卷积网络与全局时空图卷积网络，复用图卷积分类思想进行二次核验，若二次检验的内容为非谣言，则放行结束，否则进行谣言截断措施。
进一步的，用户内容传播动态图的序列表示为，T表示时间总长度，其中/>为时刻t的传播图，V t 为时刻t下的节点，A t 为时刻t下的邻接矩阵，A t 由用户发布内容与其评论之间或评论与评论之间的关系转换而来，如公式（1）所示：
（1）
其中，为节点V i 在时刻t的向量表示，/>为节点V j 在时刻t的向量表示，W为可学习的参数矩阵，softmax函数对邻接矩阵进行归一化，ReLU激活函数消除负连接，t∈[1,T]。
进一步的，邻近图结构集合表示为；其中，/>表示在时刻t下的图结构，E t 为时刻t下的边的连接信息。
进一步的，在具有相似信号的节点V t 之间施加更高的权重，两个节点V i 和V j 之间的余弦相似度S ij 定义为：
（2）。
进一步的，图神经网络分类算法包括多个层，每一层都由以下两个步骤组成：a.聚合，所述聚合用于对于每个节点i聚合其邻居节点的特征信息；b.更新，所述更新用于使用聚合后的特征信息更新节点i的特征向量；
图神经网络的最后一层上使用一个全连接层或者softmax层来预测节点的类别，图神经网络表示为：
（3）；
其中，和/>表示节点i在第t层和第t+1层的特征向量，f是用于更新节点特征的函数，对应全连接层，AGGREGATE是用于聚合邻居特征的函数，N(i)表示节点i的邻居节点集合。
进一步的，空间-时间-空间的三层图卷积生成网络中，第一层空间卷积层在每个时间步下捕捉当前时刻的用户内容传播图结构信息；第二层时间卷积层聚合历史邻域信息，捕捉邻域子图结构演化特征；第三层空间卷积层采用递进方式捕捉全局用户内容传播图演化特征。
进一步的，给定t时刻的图及其邻接矩阵，图卷积生成网络的第l层输入是第l-1层输出的向量和邻接矩阵，输出是更新后的节点向量，第l层的运算可以表示为：
（4）
其中，为邻接矩阵，/>为权重，/>和/>分别为输入和输出，/>为邻接矩阵的加权度矩阵，σ表示ReLU函数。
进一步的，第一层空间卷积层和第三层空间卷积层采用GRU组件来对图神经网络模型的权重参数进行更新。
进一步的，所述将谣言演化图结构做图结构微调修改得到预测图包括：将谣言演化图结构输入至LSTM网络，以捕捉传播图中节点间的时序依赖关系，分析预测图中节点序列，同时使用多头自注意力，以捕捉所预测生成的传播图中高度相关节点对；最后，由全连接层对高度相关节点对进行链路预测，以核验二者之间是否应有边相连，过程可以描述为公式（5）:
（5）
其中，和/>分别表示可学习权重和偏差，k为图卷积层数，/>和分别代表第k层和k-1层的/>，/>的计算方式为：/>，/>为目标节点的向量表示，/>为源节点向量表示；
若输出为负数，relu激活函数将其转换为0，否则原样输出。
进一步的，所述将用户内容传播图和预测图进行融合，形成谣言历史与演化图结构包括：直接使用拼接方式来合并用户内容传播图和预测图的节点和边，假设用户内容传播图和预测图分别为和/>，其中V 1和V 2分别表示用户内容传播图和预测图的节点集合，A 1和A 2分别表示用户内容传播图和预测图的边集合信息对应的邻接矩阵，连接两个图的过程可以用以下数学公式表示：
（1）合并节点集合：V=V 1∪V 2，
其中，V表示连接后的图的节点集合，将两个原始图的节点集合合并成一个新的节点集合；
（2）合并边集合：A=A 1+A 2，
其中，A由用户内容传播图和预测图的邻接矩阵相加所得到；
（3）更新连接后的图的特征：对于连接后的图，可以根据需要对节点和边的特征进行更新或保留原有特征。
本发明的有益效果：本发明提供一种基于时空传播图的动态谣言检测方法，以用户评论与转发、时间戳与发布位置为主线，构建带有动态传播特性的用户内容时空传播图，并通过观察其局部与全局时空信息，辅以发布内容特征，进行谣言检测，能够考虑用户内容传播图的动态特征和全局时空信息，有效识别社交网络中的谣言；同时，针对所检测出的“非谣言”内容，学习用户内容传播演化规律，生成未来时刻用户内容传播预测图。最后，融合历史传播图与传播预测图，复用图分类方法，完成“非谣言”的二次核验，能够克服谣言检测一次性静态学习弊端，能够防止当前信息在未来演变为谣言。
附图说明
图1是本发明基于时空传播图的动态谣言检测方法的流程图；
图2是本发明基于渐进图卷积与全局时空图卷积的首次谣言检测模型图；
图3是本发明基于空时空图卷积生成与图结构微调的二次谣言检测模型图。
实施方式
下面结合附图对本发明作进一步描述，以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
如图1所示，本发明公开一种基于时空传播图的动态谣言检测方法，能够提高算法进行谣言检测的可靠性，包含如下步骤：
步骤S10，以用户评论与转发、时间戳与发布位置为主线，拟将异构多关系图进一步构建为带有传播特性的用户内容时空传播图；其中，异构多关系图基于“用户发布内容”和“其评论与转发”进行内容关系的关联，同时对“时间与发布位置”进行特征映射，并与关系图的节点信息进行融合。
步骤S20，用户内容时空传播动态图构造：针对谣言内容ε，构造传播图序列，T表示时间总长度，其中/>为时刻t的传播图，V t 为时刻t下的节点，A t 为时刻t下的邻接矩阵，A t 由用户发布内容与其评论之间或评论与评论之间的关系转换而来，如公式（1）所示：
（1）
其中，为节点V i 在时刻t的向量表示，/>为节点V j 在时刻t的向量表示，W为可学习的参数矩阵，softmax函数对邻接矩阵进行归一化，ReLU激活函数消除负连接，t∈[1,T]。
步骤S30，邻近时刻图观察：将步骤S20得到的“用户内容传播动态图的序列按时刻”块，记为邻近图结构集合；其中，/>表示在时刻t下的图结构，E t 为时刻t下的边的连接信息。
本发明的目标是在具有相似信号的节点V t 之间施加更高的权重，
而不管它们在空间上是否接近。节点相似度是用它们信号的余弦相似度来测量的。两个节点V i 和V j 之间的余弦相似度S ij 定义为公式（2）:
（2）。
如图2所示，构造“渐进图卷积网络”，对各时刻𝑡下图分块做空洞卷积（DilatedConvolution），以较大观察域，并映射为隐藏表示H t 。最后，基于“各时刻图分块渐进图卷积隐藏表示”序列，拟进行全局时空图观察。
步骤S40，全局时空图观察：如图2（右上）所示，将步骤S30得到的各时刻图分块渐进图卷积隐藏表示的序列｛H 1,…,H T ｝为输入，构建全局时空图卷积网络，即通过三层“倒梯形”图卷积压缩，按“横向-时间方向”与“纵向-空间方向”，逐步将序列｛H 1,…,H T ｝压缩为全局时空传播图表示。
步骤S50，将步骤S40得到的全局时空传播图表示与用户内容时空传播动态图中各节点（内容）的“情绪和话题特征”相融合，获得“谣言传播图结构表示信息”；并拟基于“图分类”算法对图结构作分类。
步骤S60，图分类算法：对步骤S50得到的“谣言传播图结构表示”信息进行第一次谣言分类判定，鉴别当前已成为谣言的信息内容。具体使用图神经网络（graph neuralnetwork, GNN）进行分类算法如下：
GNN的每一层都由以下两个步骤组成：a.聚合（Aggregation）：对于每个节点i，聚合其邻居节点的特征信息，这可以通过对邻居节点特征求平均、拼接、加权平均等方式实现。b.更新（Update）：使用聚合后的信息来更新节点i的特征向量。GNN可以有多个层，每个层的更新步骤都会考虑更多的全局信息。最后，对于节点分类任务， 本发明在GNN的最后一层上使用一个全连接层或者softmax层来预测节点的类别；综上所述，GNN可以表示为如公式（3）：
（3）；
其中，和/>表示节点i在第t层和第t+1层的特征向量，f是用于更新节点特征的函数，对应全连接层，AGGREGATE是用于聚合邻居特征的函数，N(i)表示节点i的邻居节点集合。
步骤S70，若被检测为谣言，则启动谣言截断措施；否则对图卷积分类检测所判定的“非谣言”节点（内容）做二重核验，以防止因内容及传播特征缺乏，导致无法识别出未来或成为谣言的用户发布内容。
步骤S80，空时空图卷积网络：如图3（左上）所示，拟构建“空间-时间-空间”图卷积生成网络，根据当前时刻t下“非谣言”节点（内容）的“邻域子图”，生成未来时刻或演化出的内容传播结构。具体而言：
第一层空间卷积在每个时间步下捕捉当前时刻的用户内容传播图结构信息，即每个时刻均通过相应邻接矩阵刻画节点间的空间（邻接）关系；空间卷积层将动态图表示为多个图的序列，每个图为一个时间步下的快照(snapshot)。利用GCN的图结构提取优势学习每个时间片下的结构信息。形式化的：给定t时刻的图及其邻接矩阵。GCN的第l层输入是第l-1层输出的向量和邻接矩阵，输出是更新后的节点向量。第l层的运算可以表示为公式（4）：
（4）；
其中，为邻接矩阵，/>为权重，/>和/>分别为输入和输出，/>为邻接矩阵的加权度矩阵，σ表示ReLU函数。
为了将图的动态性加入考虑，空间卷积层进一步在静态GCN的架构上加入更新机制。考虑到当图结构改变时，卷积操作的权重参数也应动态地进行更新以适应新的图结构。动态图卷积层采用GRU组件来对GCN模型的权重参数进行更新。
第二层时间卷积聚合历史邻域信息，捕捉邻域子图结构演化特征；具体地，时间卷积层由一维全连接卷积模块和因果卷积模块构成，全连接卷积操作保证了输出层与输入层有相同的序列长度，而因果卷积操作则保证了在t时刻的输出都只由它之前的时刻卷积得到，由此保证由当前时刻的信息和历史信息去建模未来时刻的预测。在因果卷积阶段，为了能使网络结构对于更长的时间序列也有更长更灵活的感受域，加入了扩张卷积。
第三层空间卷积采用递进方式捕捉全局用户内容传播图演化特征。最后解码上述三层图卷积特征，按“图生成”方式预测未来时刻目标节点或演化出的“新图结构”。
步骤S90，图结构微调修改：如图3（中部）所示，将所预测生成的“新图表示”输入至LSTM网络，以捕捉传播图中节点间的时序依赖关系，分析预测图中节点序列，同时使用多头自注意力，以捕捉所预测生成的传播图中高度相关“节点对”；最后，由全连接层对高度相关“节点对”进行链路预测，以核验二者之间是否应有边相连。
具体地：预测网络中节点之间的潜在关系称为链接预测，动态网络链路预测可以更好地捕捉网络的演化本质。Encoder-LSTM-Decoder混合神经网络结构预测端到端的动态链接可以处理长期预测问题，适合不同规模的图结构微调；编码器捕捉高度非线性的图结构，并在最后放置一个图重构器将潜在的特征转换回固定形状的矩阵；编码器由多个非线性感知组成，将高维图数据投影到相对较低维的向量空间中。因此，得到的向量可以表征网络中顶点的局部结构。这个过程可以描述为公式（5）:
（5）
其中，和/>分别表示可学习权重和偏差，k为图卷积层数，/>和分别代表第k层和k-1层的/>，/>的计算方式为：/>，/>为目标节点的向量表示，/>为源节点向量表示；
若输出为负数，relu激活函数将其转换为0，否则原样输出。
步骤S100，融合“邻域传播历史图”和“预测图”，形成“谣言历史与演化图结构”。具体地：直接使用拼接（Concatenate）方式来合并这两个图的节点和边。假设“历史图”和“预测图”分别为和/>，其中V 1和V 2分别表示用户内容传播图和预测图的节点集合，A 1和A 2分别表示用户内容传播图和预测图的边集合信息对应的邻接矩阵，连接两个图的过程可以用以下数学公式表示：
（1）合并节点集合：V=V 1∪V 2，
其中，V表示连接后的图的节点集合，将两个原始图的节点集合合并成一个新的节点集合；
（2）合并边集合：A=A 1+A 2，
其中，A由用户内容传播图和预测图的邻接矩阵相加所得到；
（3）更新连接后的图的特征。对于连接后的图，可以根据需要对节点和边的特征进行更新或保留原有特征。连接后的“谣言历史与演化图结构” 就是将两个原始图，即“历史图/>”和“预测图/>”的节点和邻接矩阵拼接而成的一个更大的图。
步骤110，将步骤S100得到的“谣言历史与演化图结构”使用“渐进图卷积网络与全局时空图卷积网络”（如图2所示），复用图卷积分类思想。
步骤S120，对“非谣言”内容（节点）进行二次核验。
步骤S130，若二次检验的内容为非谣言，则放行；否则进行谣言截断措施。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于时空传播图的动态谣言检测方法，其特征在于：包括以下步骤：
以用户评论与转发、时间戳与发布位置为主线，针对谣言内容构造用户内容传播动态图的序列；
将用户内容传播动态图的序列按照时刻进行分块，得到邻近图结构集合；
将邻近图结构集合中各时刻下图分块做空洞卷积处理，输出各时刻图分块渐进图卷积隐藏表示；
将各时刻图分块渐进图卷积隐藏表示的序列为输入，通过三层倒梯形图卷积压缩，按横向-时间方向与纵向-空间方向，逐步压缩为全局时空传播图表示；
将全局时空传播图表示与用户内容传播动态图中各节点的情绪和话题特征相融合，获得谣言传播图结构表示；
使用图神经网络分类算法对谣言传播图结构表示进行第一次谣言分类判定，若谣言传播图结构表示被判定为谣言，则进行谣言截断措施；
若谣言传播图结构表示被判定为非谣言，则构建空间-时间-空间的三层图卷积生成网络，根据邻近图结构集合中当前时刻下非谣言节点的图分块，生成未来时刻或演化出的内容传播结构，即谣言演化图结构；
将谣言演化图结构做图结构微调修改得到预测图；
将用户内容传播图和预测图进行融合，形成谣言历史与演化图结构；
将谣言历史与演化图结构使用渐进图卷积网络与全局时空图卷积网络，复用图卷积分类思想进行二次核验，若二次检验的内容为非谣言，则放行结束，否则进行谣言截断措施。
2.根据权利要求1所述的基于时空传播图的动态谣言检测方法，其特征在于：用户内容传播动态图的序列表示为，T表示时间总长度，其中/>为时刻t的传播图，V t 为时刻t下的节点， A t 为时刻t下的邻接矩阵，A t 由用户发布内容与其评论之间或评论与评论之间的关系转换而来，如公式（1）所示：
（1）；
其中，为节点V i 在时刻t的向量表示，/>为节点V j 在时刻t的向量表示，W为可学习的参数矩阵，softmax函数对邻接矩阵进行归一化，ReLU激活函数消除负连接，t∈[1, T]。
3.根据权利要求2所述的基于时空传播图的动态谣言检测方法，其特征在于：邻近图结构集合表示为；其中，/>表示在时刻t下的图结构，E t 为时刻t下的边的连接信息。
4.根据权利要求3所述的基于时空传播图的动态谣言检测方法，其特征在于：在具有相似信号的节点V t 之间施加更高的权重，两个节点V i 和V j 之间的余弦相似度S ij 定义为：
（2）。
5.根据权利要求1所述的基于时空传播图的动态谣言检测方法，其特征在于：图神经网络分类算法包括多个层，每一层都由以下两个步骤组成：a.聚合，所述聚合用于对于每个节点i聚合其邻居节点的特征信息；b.更新，所述更新用于使用聚合后的特征信息更新节点i的特征向量；
图神经网络的最后一层上使用一个全连接层或者softmax层来预测节点的类别，图神经网络表示为：
（3）；
其中，和/>表示节点i在第t层和第t+1层的特征向量，f是用于更新节点特征的函数，对应全连接层，AGGREGATE是用于聚合邻居特征的函数，N(i)表示节点i的邻居节点集合。
6.根据权利要求1所述的基于时空传播图的动态谣言检测方法，其特征在于：空间-时间-空间的三层图卷积生成网络中，第一层空间卷积层在每个时间步下捕捉当前时刻的用户内容传播图结构信息；第二层时间卷积层聚合历史邻域信息，捕捉邻域子图结构演化特征；第三层空间卷积层采用递进方式捕捉全局用户内容传播图演化特征。
7.根据权利要求6所述的基于时空传播图的动态谣言检测方法，其特征在于：给定t时刻的图及其邻接矩阵，图卷积生成网络的第l层输入是第l-1层输出的向量和邻接矩阵，输出是更新后的节点向量，第l层的运算表示为：
（4）
其中，为邻接矩阵，/>为权重，/>和/>分别为输入和输出，/>为邻接矩阵/>的加权度矩阵，σ表示ReLU函数。
8.根据权利要求6所述的基于时空传播图的动态谣言检测方法，其特征在于：第一层空间卷积层和第三层空间卷积层采用GRU组件来对图神经网络模型的权重参数进行更新。
9.根据权利要求1所述的基于时空传播图的动态谣言检测方法，其特征在于：所述将谣言演化图结构做图结构微调修改得到预测图包括：将谣言演化图结构输入至LSTM网络，以捕捉传播图中节点间的时序依赖关系，分析预测图中节点序列，同时使用多头自注意力，以捕捉所预测生成的传播图中高度相关节点对；最后，由全连接层对高度相关节点对进行链路预测，以核验二者之间是否应有边相连，过程描述为公式（5）:
（5）
其中，和/>分别表示可学习权重和偏差，k为图卷积层数，/>和/>分别代表第k层和k-1层的/>，/>的计算方式为：/>，/>为目标节点的向量表示，为源节点向量表示；
若输出为负数，relu激活函数将其转换为0，否则原样输出。
10.根据权利要求1所述的基于时空传播图的动态谣言检测方法，其特征在于：所述将用户内容传播图和预测图进行融合，形成谣言历史与演化图结构包括：直接使用拼接方式来合并用户内容传播图和预测图的节点和边，假设用户内容传播图和预测图分别为和/>，其中V 1和V 2分别表示用户内容传播图和预测图的节点集合，A 1和A 2分别表示用户内容传播图和预测图的边集合信息对应的邻接矩阵，连接两个图的过程用以下数学公式表示：
（1）合并节点集合：V=V 1∪V 2，
其中，V表示连接后的图的节点集合，将两个原始图的节点集合合并成一个新的节点集合；
（2）合并边集合：A=A 1+A 2，
其中，A由用户内容传播图和预测图的邻接矩阵相加所得到；
（3）更新连接后的图的特征：
对于连接后的图，可以根据需要对节点和边的特征进行更新或保留原有特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410091381.2A CN117633635B (zh) | 2024-01-23 | 2024-01-23 | 一种基于时空传播图的动态谣言检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410091381.2A CN117633635B (zh) | 2024-01-23 | 2024-01-23 | 一种基于时空传播图的动态谣言检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117633635A CN117633635A (zh) | 2024-03-01 |
| CN117633635B true CN117633635B (zh) | 2024-04-16 |
Family
ID=90025479
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410091381.2A Active CN117633635B (zh) | 2024-01-23 | 2024-01-23 | 一种基于时空传播图的动态谣言检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117633635B (zh) |
Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110795641A (zh) * | 2019-11-05 | 2020-02-14 | 重庆邮电大学 | 基于表示学习的网络谣言传播控制方法 |
| CN111159395A (zh) * | 2019-11-22 | 2020-05-15 | 国家计算机网络与信息安全管理中心 | 基于图神经网络的谣言立场检测方法、装置和电子设备 |
| CN112199608A (zh) * | 2020-11-03 | 2021-01-08 | 北京中科研究院 | 基于网络信息传播图建模的社交媒体谣言检测方法 |
| CN113139052A (zh) * | 2021-04-14 | 2021-07-20 | 三峡大学 | 基于图神经网络特征聚合的谣言检测方法及装置 |
| CN113434684A (zh) * | 2021-07-01 | 2021-09-24 | 北京中科研究院 | 自监督学习的谣言检测方法、系统、设备及存储介质 |
| CN113626685A (zh) * | 2021-07-08 | 2021-11-09 | 中国科学院信息工程研究所 | 一种面向传播不确定性的谣言检测方法及装置 |
| CN113705099A (zh) * | 2021-05-09 | 2021-11-26 | 电子科技大学 | 基于对比学习的社交平台谣言检测模型构建方法及检测方法 |
| CN113946708A (zh) * | 2021-10-29 | 2022-01-18 | 重庆邮电大学 | 基于图像复原技术和谣言辟谣信息的话题传播预测方法 |
| CN114547294A (zh) * | 2022-01-13 | 2022-05-27 | 浙江工业大学 | 一种基于传播过程综合信息的谣言检测方法及系统 |
| CN114758174A (zh) * | 2022-04-13 | 2022-07-15 | 浙江警察学院 | 一种基于注意力机制的多视图谣言检测方法 |
| CN114936267A (zh) * | 2022-05-11 | 2022-08-23 | 西安交通大学医学院第二附属医院 | 基于双线性池化的多模态融合在线谣言检测方法及系统 |
| CN114998525A (zh) * | 2022-06-21 | 2022-09-02 | 南京信息工程大学 | 基于动态局部-全局图卷积神经网络的动作识别方法 |
| CN115495671A (zh) * | 2022-09-16 | 2022-12-20 | 重庆邮电大学 | 一种基于图结构迁移的跨领域谣言传播控制方法 |
| WO2023010502A1 (en) * | 2021-08-06 | 2023-02-09 | Robert Bosch Gmbh | Method and apparatus for anomaly detection on graph |
| CN115759234A (zh) * | 2022-11-29 | 2023-03-07 | 广东工业大学 | 一种基于时空卷积神经网络的谣言源检测方法 |
| WO2023060563A1 (en) * | 2021-10-15 | 2023-04-20 | Robert Bosch Gmbh | Adaptive diffusion in graph neural networks |
| CN116431760A (zh) * | 2023-01-10 | 2023-07-14 | 重庆理工大学 | 基于情感感知和图卷积网络的社交网络谣言检测方法 |
| CN116629234A (zh) * | 2023-05-26 | 2023-08-22 | 齐鲁工业大学(山东省科学院) | 基于层级动态图卷积网络的谣言检测方法及系统 |
| CN117112786A (zh) * | 2023-08-24 | 2023-11-24 | 大连民族大学 | 一种基于图注意力网络的谣言检测方法 |
| 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 |
-
2024
- 2024-01-23 CN CN202410091381.2A patent/CN117633635B/zh active Active
Patent Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110795641A (zh) * | 2019-11-05 | 2020-02-14 | 重庆邮电大学 | 基于表示学习的网络谣言传播控制方法 |
| CN111159395A (zh) * | 2019-11-22 | 2020-05-15 | 国家计算机网络与信息安全管理中心 | 基于图神经网络的谣言立场检测方法、装置和电子设备 |
| CN112199608A (zh) * | 2020-11-03 | 2021-01-08 | 北京中科研究院 | 基于网络信息传播图建模的社交媒体谣言检测方法 |
| CN113139052A (zh) * | 2021-04-14 | 2021-07-20 | 三峡大学 | 基于图神经网络特征聚合的谣言检测方法及装置 |
| CN113705099A (zh) * | 2021-05-09 | 2021-11-26 | 电子科技大学 | 基于对比学习的社交平台谣言检测模型构建方法及检测方法 |
| CN113434684A (zh) * | 2021-07-01 | 2021-09-24 | 北京中科研究院 | 自监督学习的谣言检测方法、系统、设备及存储介质 |
| CN113626685A (zh) * | 2021-07-08 | 2021-11-09 | 中国科学院信息工程研究所 | 一种面向传播不确定性的谣言检测方法及装置 |
| WO2023010502A1 (en) * | 2021-08-06 | 2023-02-09 | Robert Bosch Gmbh | Method and apparatus for anomaly detection on graph |
| WO2023060563A1 (en) * | 2021-10-15 | 2023-04-20 | Robert Bosch Gmbh | Adaptive diffusion in graph neural networks |
| CN113946708A (zh) * | 2021-10-29 | 2022-01-18 | 重庆邮电大学 | 基于图像复原技术和谣言辟谣信息的话题传播预测方法 |
| CN114547294A (zh) * | 2022-01-13 | 2022-05-27 | 浙江工业大学 | 一种基于传播过程综合信息的谣言检测方法及系统 |
| CN114758174A (zh) * | 2022-04-13 | 2022-07-15 | 浙江警察学院 | 一种基于注意力机制的多视图谣言检测方法 |
| CN114936267A (zh) * | 2022-05-11 | 2022-08-23 | 西安交通大学医学院第二附属医院 | 基于双线性池化的多模态融合在线谣言检测方法及系统 |
| CN114998525A (zh) * | 2022-06-21 | 2022-09-02 | 南京信息工程大学 | 基于动态局部-全局图卷积神经网络的动作识别方法 |
| CN115495671A (zh) * | 2022-09-16 | 2022-12-20 | 重庆邮电大学 | 一种基于图结构迁移的跨领域谣言传播控制方法 |
| CN115759234A (zh) * | 2022-11-29 | 2023-03-07 | 广东工业大学 | 一种基于时空卷积神经网络的谣言源检测方法 |
| CN116431760A (zh) * | 2023-01-10 | 2023-07-14 | 重庆理工大学 | 基于情感感知和图卷积网络的社交网络谣言检测方法 |
| CN116629234A (zh) * | 2023-05-26 | 2023-08-22 | 齐鲁工业大学(山东省科学院) | 基于层级动态图卷积网络的谣言检测方法及系统 |
| CN117112786A (zh) * | 2023-08-24 | 2023-11-24 | 大连民族大学 | 一种基于图注意力网络的谣言检测方法 |
| 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 |
Non-Patent Citations (6)
| Title |
|---|
| Graph Convolutional-Based Deep Residual Modeling for Rumor Detection on Social Media;Na Ye 等;《Mathematics》;20230803;1-11 * |
| Rumor detection on social media using hierarchically aggregated feature via graph neural networks;Shouzhi Xu 等;《Applied Intelligence》;20220521;3136–3149 * |
| 基于分层语义特征学习模型的微博谣言事件检测;黄学坚 等;《数据分析与知识发现》;20220722;81-91 * |
| 基于动态记忆和双层重构强化的知识图谱至文本转译模型;马廷淮 等;《计算机科学》;20230315;12-22 * |
| 基于图注意力网络和联邦学习的社交平台谣言检测方法研究;白传政;《中国优秀硕士学位论文全文数据库 信息科技辑》;20240115;I140-326 * |
| 基于社交图和传播图的信息传播预测方法研究;范伟;《万方数据知识服务平台》;20230922;1-75 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117633635A (zh) | 2024-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gauci et al. | Horizon: Facebook's open source applied reinforcement learning platform | |
| CN109120462B (zh) | 机会网络链路的预测方法、装置及可读存储介质 | |
| CN114330510B (zh) | 模型训练方法、装置、电子设备和存储介质 | |
| CN110851491B (zh) | 基于多重邻居节点的多重语义影响的网络链接预测方法 | |
| Li et al. | Fault diagnosis expert system of semiconductor manufacturing equipment using a Bayesian network | |
| CN110138595A (zh) | 动态加权网络的时间链路预测方法、装置、设备及介质 | |
| US11416743B2 (en) | Swarm fair deep reinforcement learning | |
| JP2015166962A (ja) | 情報処理装置、学習方法、及び、プログラム | |
| CN112200266B (zh) | 基于图结构数据的网络训练方法、装置以及节点分类方法 | |
| CN115544264B (zh) | 知识驱动的桥梁建造数字孪生场景智能构建方法及系统 | |
| CN113988464B (zh) | 基于图神经网络的网络链路属性关系预测方法及设备 | |
| CN113761250A (zh) | 模型训练方法、商户分类方法及装置 | |
| CN103810266A (zh) | 语义网络目标识别判证方法 | |
| CN115114421A (zh) | 一种问答模型训练方法 | |
| CN109523012A (zh) | 基于变分解耦合方式对符号有向网络的表达学习方法 | |
| CN115051929A (zh) | 基于自监督目标感知神经网络的网络故障预测方法及装置 | |
| Yang et al. | Gated graph convolutional network based on spatio-temporal semi-variogram for link prediction in dynamic complex network | |
| JP2020064364A (ja) | 学習装置、画像生成装置、学習方法、及び学習プログラム | |
| CN117633635B (zh) | 一种基于时空传播图的动态谣言检测方法 | |
| CN117671952A (zh) | 基于时空同步动态图注意力网络的交通流预测方法及系统 | |
| CN117172376A (zh) | 基于网络重构的生成式图神经网络的图结构链路预测方法及系统 | |
| CN116630777A (zh) | 一种信息瓶颈图压缩的医疗指标缺失数据补全方法 | |
| WO2022127603A1 (zh) | 一种模型处理方法及相关装置 | |
| CN115618065A (zh) | 一种数据处理方法及相关设备 | |
| CN114861766A (zh) | 一种基于多粒度演化的动态链路预测方法和系统 |
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 |