WO2023159755A1 - 虚假新闻检测方法、装置、设备及存储介质 - Google Patents

虚假新闻检测方法、装置、设备及存储介质 Download PDF

Info

Publication number
WO2023159755A1
WO2023159755A1 PCT/CN2022/090433 CN2022090433W WO2023159755A1 WO 2023159755 A1 WO2023159755 A1 WO 2023159755A1 CN 2022090433 W CN2022090433 W CN 2022090433W WO 2023159755 A1 WO2023159755 A1 WO 2023159755A1
Authority
WO
WIPO (PCT)
Prior art keywords
news
false
multimodal
detection model
training set
Prior art date
Application number
PCT/CN2022/090433
Other languages
English (en)
French (fr)
Inventor
吴粤敏
舒畅
陈又新
Original Assignee
平安科技（深圳）有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 平安科技（深圳）有限公司 filed Critical 平安科技（深圳）有限公司
Publication of WO2023159755A1 publication Critical patent/WO2023159755A1/zh

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

Definitions

  • the present application relates to the technical field of artificial intelligence, and in particular to a false news detection method, device, electronic equipment, and computer-readable storage medium.
  • a false news detection method provided by this application includes:
  • the false news text training set Utilize the false news text training set to construct a news dissemination graph set, and construct a multimodal training data set based on the false news text training set, the false news image training set and the news propagation graph set;
  • the present application also provides a device for detecting false news, the device comprising:
  • the multimodal training data construction module is used to obtain a false news text training set that contains news texts in different fields, construct a false news image training set based on the false news text training set, and use the false news text training set to construct a news propagation map set, and build a multi-modal training data set based on the false news text training set, the false news image training set and the news propagation map set;
  • a multimodal detection model building block for constructing a multimodal fake news detection model using a preset neural network
  • a model training module configured to use the multimodal training data set to train the multimodal false news detection model to obtain a standard false news detection model
  • the false news detection module is configured to use the standard false news detection model to output the detection result of the news to be detected.
  • the present application also provides an electronic device, the electronic device comprising:
  • a memory storing at least one computer program
  • the processor executes the computer program stored in the memory to realize the false news detection method as follows:
  • the false news text training set Utilize the false news text training set to construct a news dissemination graph set, and construct a multimodal training data set based on the false news text training set, the false news image training set and the news propagation graph set;
  • the present application also provides a computer-readable storage medium, at least one computer program is stored in the computer-readable storage medium, and the at least one computer program is executed by a processor in an electronic device to realize false news detection as described below method:
  • the false news text training set Utilize the false news text training set to construct a news dissemination graph set, and construct a multimodal training data set based on the false news text training set, the false news image training set and the news propagation graph set;
  • Fig. 1 is a schematic flow chart of a false news detection method provided by an embodiment of the present application
  • FIG. 2 is a functional block diagram of a false news detection device provided by an embodiment of the present application.
  • Fig. 3 is a schematic structural diagram of an electronic device implementing the false news detection method provided by an embodiment of the present application.
  • An embodiment of the present application provides a false news detection method.
  • the executor of the false news detection method includes but is not limited to at least one of electronic devices such as a server and a terminal that can be configured to execute the method provided by the embodiment of the present application.
  • the false news detection method can be executed by software or hardware installed on a terminal device or a server device, and the software can be a block chain platform.
  • the server includes, but is not limited to: a single server, a server cluster, a cloud server or a cloud server cluster, and the like.
  • the server can be an independent server, or it can provide cloud services, cloud databases, cloud computing, cloud functions, cloud storage, network services, cloud communications, middleware services, domain name services, security services, content delivery network (ContentDelivery Network) , CDN), and cloud servers for basic cloud computing services such as big data and artificial intelligence platforms.
  • the false news detection method includes:
  • the false news text training set may include false news data sets published in different fields.
  • the new crown (COVID-19) epidemic rumor dataset in the medical field the GossipCop dataset containing fake news in the entertainment field, and some fake news datasets in other fields.
  • the false news text training set contains the label of the field where the false news is located and whether it is false news, and manual continued labeling is no longer required.
  • the acquisition includes a false news text training set containing news texts in different fields, and constructs a false news image training set based on the false news text training set, including:
  • the false news text training set includes news text sets in various fields, for example, COVID-19, GossipCop wait.
  • the preset crawler tool can be a Python crawler. For example, use Python crawler technology to crawl the image data of data sets such as CONVID-19 and GossipCop from websites such as Politifact, NewsChecker, Boomlive, Twitter, etc., and obtain news texts corresponding to different fields. news pictures.
  • the news dissemination graph is a kind of graph information, which is used to represent the dissemination path of news, including nodes and the relationship between nodes, where the nodes represent the news itself or the comments of the news, and the node relationship between nodes It can be a comment relationship or a repost relationship.
  • the construction of a news dissemination graph collection using the false news text training collection includes:
  • a node relationship is added between the first node and the second node, and all nodes and node relationships are summarized to obtain the news propagation graph set.
  • a multi-modal training data set containing three types of training data can be obtained according to an open source false news training set, the first type being news of false news Propagation map; the second category is the text content of the news itself, such as "The nine-year compulsory education has started to pilot in Shenzhen!; the third category is the picture information corresponding to the news itself.
  • the construction of a multimodal fake news detection model using a preset neural network includes:
  • a backbone network and an auxiliary network are added in parallel to obtain the fake news detection model.
  • the graph neural network can be a bidirectional graph neural network (Bi-GCN), which is used to extract the propagation graph feature (Propogation Feature) in the news propagation graph, and the Transfomer network obtains the content feature (Content Feature) of the false news text through the attention mechanism.
  • the convolutional neural network (CNN) is used to obtain the image features of news images (Image Feature).
  • the backbone network and the auxiliary network respectively include two fully connected layers and a softmax layer with different parameters but the same network structure, wherein the purpose of the backbone network is to detect false news, and the purpose of the auxiliary network is to classify the field of false news .
  • using different neural networks to extract the features of different modal data can improve the accuracy of data feature extraction, thereby improving the accuracy of prediction.
  • two branch networks are used to predict whether it is fake news and the Classifying the field of fake news can further improve the accuracy of fake news prediction.
  • the multimodal false news detection model is trained using the multimodal training data set to obtain a standard false news detection model, including:
  • the data features of different modal data are spliced and mixed to obtain mixed features
  • the backbone network and the auxiliary network are iteratively trained using the mixed features to obtain the standard fake news detection model.
  • the extraction of data features of different modal data in the multimodal training data set by using the feature extraction layer includes:
  • different neural networks are used to extract data of different modalities, so as to ensure the accuracy of data feature extraction.
  • the concatenation operation (Concatenation) is used to fuse the obtained three types of information to obtain the final multimodal feature (Multimodal Feature), that is, the mixed feature.
  • the iterative training of the backbone network and the auxiliary network by using the mixed features to obtain the standard false news detection model includes:
  • the preset iteration conditions include accuracy rate iterations, number of iterations, and the like. For example, stop the training when the number of training times is 50, or calculate the accuracy of news prediction results, field prediction results and the prediction accuracy of the real label in the multi-modal training data set, and stop when the accuracy rate is greater than the preset accuracy threshold. train.
  • the use of the backbone network to output the news prediction result of the mixed features includes:
  • the prediction result of the deep feature is obtained by using the classification function in the backbone network, and the prediction result is used as the news prediction result.
  • the extracting the deep features of the mixed features using the fully connected layer in the backbone network includes:
  • ⁇ represents the sigmoid activation function
  • a 1 and b 1 are the parameters of the first fully connected layer in the backbone network
  • a 2 and b 2 are the parameters of the second fully connected layer in the backbone network
  • x is the Mixed features
  • z is the deep feature.
  • the structure and extraction steps of the auxiliary network are similar to those of the backbone network, and will not be repeated here.
  • the model can simultaneously learn news characteristics in different fields, and improve the accuracy of false news detection. It can handle false news detection in multiple fields at the same time, and does not need to retrain the model for different fields, saving a lot of manpower and material resources, especially in fields with less data, such as education, which can significantly improve the false news in this field The accuracy of news detection.
  • the news to be detected may be information such as news texts and pictures in any field.
  • the use of the standard fake news detection model to output the detection results of the news to be detected includes:
  • the accuracy of the news to be detected can be improved.
  • This application constructs a false news image training set and a news propagation map set through a false news text training set, and can obtain a multimodal training data set containing different modal data, and construct a multimodal false news detection through a preset neural network
  • the multi-modal false news detection model is trained by using the multi-modal training data set, so that the model can learn news characteristics of different modal data at the same time, thereby improving the accuracy of the model for false news detection.
  • the application can train models based on data from various fields, which improves the accuracy of false news detection in different fields. Therefore, the false news detection method proposed in this application can solve the problem of low detection accuracy of false news in different fields.
  • FIG. 2 it is a functional block diagram of a false news detection device provided by an embodiment of the present application.
  • the fake news detecting device 100 described in this application can be installed in an electronic device.
  • the false news detection device 100 may include a multimodal training data construction module 101 , a multimodal detection model construction module 102 , a model training module 103 and a false news detection module 104 .
  • the module described in this application can also be called a unit, which refers to a series of computer program segments that can be executed by the processor of the electronic device and can complete fixed functions, and are stored in the memory of the electronic device.
  • each module/unit is as follows:
  • the multimodal training data construction module 101 is used to obtain a false news text training set that contains news texts in different fields, construct a false news image training set based on the false news text training set, and construct a false news text training set using the false news text training set A set of news propagation graphs, and construct a multimodal training data set based on the false news text training set, the false news image training set and the news propagation graph set;
  • the multimodal detection model construction module 102 is used to construct a multimodal false news detection model using a preset neural network
  • the model training module 103 is configured to use the multimodal training data set to train the multimodal false news detection model to obtain a standard false news detection model;
  • the fake news detection module 104 is configured to use the standard fake news detection model to output the detection result of the news to be detected.
  • each module of the false news detection device 100 is as follows:
  • Step 1 Obtain a training set of false news texts containing news texts in different fields, and construct a training set of false news images based on the training set of false news texts.
  • the false news text training set may include false news data sets published in different fields.
  • the new crown (COVID-19) epidemic rumor dataset in the medical field the GossipCop dataset containing fake news in the entertainment field, and some fake news datasets in other fields.
  • the false news text training set contains the label of the field where the false news is located and whether it is false news, and manual continued labeling is no longer required.
  • the acquisition includes a false news text training set containing news texts in different fields, and constructs a false news image training set based on the false news text training set, including:
  • the false news text training set includes news text sets in multiple fields at the same time, for example, COVID-19, GossipCop wait.
  • the preset crawler tool can be a Python crawler. For example, use Python crawler technology to crawl the image data of data sets such as CONVID-19 and GossipCop from websites such as Politifact, NewsChecker, Boomlive, Twitter, etc., and obtain news texts corresponding to different fields. news pictures.
  • Step 2 Use the false news text training set to construct a news propagation map set, and construct a multimodal training data set based on the false news text training set, the false news image training set, and the news propagation map set.
  • the news dissemination graph is a kind of graph information, which is used to represent the dissemination path of news, including nodes and the relationship between nodes, where the nodes represent the news itself or the comments of the news, and the node relationship between nodes It can be a comment relationship or a repost relationship.
  • the construction of a news dissemination graph collection using the false news text training collection includes:
  • a node relationship is added between the first node and the second node, and all nodes and node relationships are summarized to obtain the news propagation graph set.
  • a multi-modal training data set containing three types of training data can be obtained according to an open source false news training set, the first type being news of false news Propagation map; the second category is the text content of the news itself, such as "The nine-year compulsory education has started to pilot in Shenzhen!; the third category is the picture information corresponding to the news itself.
  • Step 3 Construct a multi-modal fake news detection model using the preset neural network.
  • the construction of a multimodal fake news detection model using a preset neural network includes:
  • a backbone network and an auxiliary network are added in parallel to obtain the fake news detection model.
  • the graph neural network can be a bidirectional graph neural network (Bi-GCN), which is used to extract the propagation graph feature (Propogation Feature) in the news propagation graph, and the Transfomer network obtains the content feature (Content Feature) of the false news text through the attention mechanism.
  • the convolutional neural network (CNN) is used to obtain the image features of news images (Image Feature).
  • the backbone network and the auxiliary network respectively include two fully connected layers and a softmax layer with different parameters but the same network structure, wherein the purpose of the backbone network is to detect false news, and the purpose of the auxiliary network is to classify the field of false news .
  • using different neural networks to extract the features of different modal data can improve the accuracy of data feature extraction, thereby improving the accuracy of prediction.
  • two branch networks are used to predict whether it is fake news and the Classifying the field of fake news can further improve the accuracy of fake news prediction.
  • Step 4 Using the multimodal training data set to train the multimodal false news detection model to obtain a standard false news detection model.
  • the multimodal false news detection model is trained using the multimodal training data set to obtain a standard false news detection model, including:
  • the data features of different modal data are spliced and mixed to obtain mixed features
  • the backbone network and the auxiliary network are iteratively trained using the mixed features to obtain the standard fake news detection model.
  • the extraction of data features of different modal data in the multimodal training data set by using the feature extraction layer includes:
  • different neural networks are used to extract data of different modalities, so as to ensure the accuracy of data feature extraction.
  • the concatenation operation (Concatenation) is used to fuse the obtained three types of information to obtain the final multimodal feature (Multimodal Feature), that is, the mixed feature.
  • the iterative training of the backbone network and the auxiliary network by using the mixed features to obtain the standard false news detection model includes:
  • the preset iteration conditions include accuracy rate iterations, number of iterations, and the like. For example, stop the training when the number of training times is 50, or calculate the accuracy of news prediction results, field prediction results and the prediction accuracy of the real label in the multi-modal training data set, and stop when the accuracy rate is greater than the preset accuracy threshold. train.
  • the use of the backbone network to output the news prediction result of the mixed features includes:
  • the prediction result of the deep feature is obtained by using the classification function in the backbone network, and the prediction result is used as the news prediction result.
  • the extracting the deep features of the mixed features using the fully connected layer in the backbone network includes:
  • ⁇ represents the sigmoid activation function
  • a 1 and b 1 are the parameters of the first fully connected layer in the backbone network
  • a 2 and b 2 are the parameters of the second fully connected layer in the backbone network
  • x is the Mixed features
  • z is the deep feature.
  • the structure and extraction steps of the auxiliary network are similar to those of the backbone network, and will not be repeated here.
  • the model can simultaneously learn news characteristics in different fields, and improve the accuracy of false news detection. It can handle false news detection in multiple fields at the same time, and does not need to retrain the model for different fields, saving a lot of manpower and material resources, especially in fields with less data, such as education, which can significantly improve the false news in this field The accuracy of news detection.
  • Step 5 using the standard fake news detection model to output the detection result of the news to be detected.
  • the news to be detected may be information such as news texts and pictures in any field.
  • the use of the standard fake news detection model to output the detection results of the news to be detected includes:
  • the accuracy of the news to be detected can be improved.
  • This application constructs a false news image training set and a news propagation map set through a false news text training set, and can obtain a multimodal training data set containing different modal data, and construct a multimodal false news detection through a preset neural network
  • the multi-modal false news detection model is trained by using the multi-modal training data set, so that the model can learn news characteristics of different modal data at the same time, thereby improving the accuracy of the model for false news detection.
  • the application can train models based on data from various fields, which improves the accuracy of false news detection in different fields. Therefore, the device for detecting false news proposed by this application can solve the problem of low detection accuracy of false news in different fields.
  • FIG. 3 it is a schematic structural diagram of an electronic device implementing a false news detection method provided by an embodiment of the present application.
  • the electronic device may include a processor 10, a memory 11, a communication interface 12 and a bus 13, and may also include a computer program stored in the memory 11 and operable on the processor 10, such as a false news detection program.
  • the memory 11 includes at least one type of readable storage medium, and the readable storage medium includes flash memory, mobile hard disk, multimedia card, card type memory (for example: SD or DX memory, etc.), magnetic memory, magnetic disk, Optical discs, etc., the computer-readable storage medium may be non-volatile or volatile.
  • the storage 11 may be an internal storage unit of the electronic device in some embodiments, such as a mobile hard disk of the electronic device.
  • the memory 11 can also be an external storage device of an electronic device in other embodiments, such as a plug-in mobile hard disk equipped on an electronic device, a smart memory card (Smart Media Card, SMC), a secure digital (Secure Digital, SD ) card, flash card (Flash Card), etc.
  • the memory 11 may also include both an internal storage unit of the electronic device and an external storage device.
  • the memory 11 can not only be used to store application software and various data installed in the electronic device, such as the code of the fake news detection program, etc., but also can be used to temporarily store the data that has been output or will be output.
  • the processor 10 may be composed of integrated circuits, for example, may be composed of a single packaged integrated circuit, or may be composed of multiple integrated circuits with the same function or different functions, including one or more Combination of central processing unit (Central Processing unit, CPU), microprocessor, digital processing chip, graphics processor and various control chips, etc.
  • the processor 10 is the control core (Control Unit) of the electronic device, and utilizes various interfaces and lines to connect the various components of the entire electronic device, by running or executing programs or modules stored in the memory 11 (such as artificial news detection program, etc.), and call the data stored in the memory 11 to execute various functions of the electronic device and process data.
  • Control Unit Control Unit
  • the communication interface 12 is used for communication between the electronic device and other devices, including a network interface and a user interface.
  • the network interface may include a wired interface and/or a wireless interface (such as a WI-FI interface, a Bluetooth interface, etc.), which are generally used to establish a communication connection between the electronic device and other electronic devices.
  • the user interface may be a display (Display) or an input unit (such as a keyboard (Keyboard)).
  • the user interface may also be a standard wired interface or a wireless interface.
  • the display may be an LED display, a liquid crystal display, a touch-sensitive liquid crystal display, an OLED (Organic Light-Emitting Diode, organic light-emitting diode) touch device, and the like.
  • the display may also be properly referred to as a display screen or a display unit, and is used for displaying information processed in the electronic device and for displaying a visualized user interface.
  • the bus 13 may be a peripheral component interconnect standard (PCI for short) bus or an extended industry standard architecture (EISA for short) bus or the like.
  • PCI peripheral component interconnect standard
  • EISA extended industry standard architecture
  • the bus 13 can be divided into an address bus, a data bus, a control bus, and the like.
  • the bus 13 is configured to realize connection and communication between the memory 11 and at least one processor 10 and the like.
  • Figure 3 only shows an electronic device with components, and those skilled in the art can understand that the structure shown in Figure 3 does not constitute a limitation to the electronic device, and may include fewer or more components than shown in the figure , or combinations of certain components, or different arrangements of components.
  • the electronic device may also include a power supply (such as a battery) for supplying power to various components.
  • the power supply may be logically connected to the at least one processor 10 through a power management device, so that Realize functions such as charge management, discharge management, and power consumption management.
  • the power supply may also include one or more DC or AC power supplies, recharging devices, power failure detection circuits, power converters or inverters, power status indicators and other arbitrary components.
  • the electronic device may also include various sensors, a Bluetooth module, a Wi-Fi module, etc., which will not be repeated here.
  • the electronic device may also include a network interface.
  • the network interface may include a wired interface and/or a wireless interface (such as a WI-FI interface, a Bluetooth interface, etc.), which are usually used to communicate between the electronic device and A communication link is established between other electronic devices.
  • the electronic device may further include a user interface.
  • the user interface may be a display (Display) or an input unit (such as a keyboard (Keyboard)).
  • the user interface may also be a standard wired interface or a wireless interface.
  • the display may be an LED display, a liquid crystal display, a touch-sensitive liquid crystal display, an OLED (Organic Light-Emitting Diode, organic light-emitting diode) touch device, and the like.
  • the display may also be properly referred to as a display screen or a display unit, and is used for displaying information processed in the electronic device and for displaying a visualized user interface.
  • the fake news detection program stored in the memory 11 in the electronic device is a combination of multiple instructions, and when running in the processor 10, it can realize:
  • the false news text training set Utilize the false news text training set to construct a news dissemination graph set, and construct a multimodal training data set based on the false news text training set, the false news image training set and the news propagation graph set;
  • the integrated module/unit of the electronic device is realized in the form of a software function unit and sold or used as an independent product, it can be stored in a computer-readable storage medium.
  • the computer-readable storage medium may be volatile or non-volatile.
  • the computer-readable medium may include: any entity or device capable of carrying the computer program code, a recording medium, a U disk, a removable hard disk, a magnetic disk, an optical disk, a computer memory, a read-only memory (ROM, Read-Only Memory).
  • the present application also provides a computer-readable storage medium, the readable storage medium stores a computer program, and when the computer program is executed by a processor of an electronic device, it can realize:
  • the false news text training set Utilize the false news text training set to construct a news dissemination graph set, and construct a multimodal training data set based on the false news text training set, the false news image training set and the news propagation graph set;
  • modules described as separate components may or may not be physically separated, and the components shown as modules may or may not be physical units, that is, they may be located in one place, or may be distributed to multiple network units. Part or all of the modules can be selected according to actual needs to achieve the purpose of the solution of this embodiment.
  • each functional module in each embodiment of the present application may be integrated into one processing unit, each unit may exist separately physically, or two or more units may be integrated into one unit.
  • the above-mentioned integrated units can be implemented in the form of hardware, or in the form of hardware plus software function modules.
  • AI artificial intelligence
  • the embodiments of the present application may acquire and process relevant data based on artificial intelligence technology.
  • artificial intelligence is the theory, method, technology and application system that uses digital computers or machines controlled by digital computers to simulate, extend and expand human intelligence, perceive the environment, acquire knowledge and use knowledge to obtain the best results. .
  • Artificial intelligence basic technologies generally include technologies such as sensors, dedicated artificial intelligence chips, cloud computing, distributed storage, big data processing technology, operation/interaction systems, and mechatronics.
  • Artificial intelligence software technology mainly includes computer vision technology, robotics technology, biometrics technology, speech processing technology, natural language processing technology, and machine learning/deep learning.
  • Blockchain essentially a decentralized database, is a series of data blocks associated with each other using cryptographic methods. Each data block contains a batch of network transaction information, which is used to verify its Validity of information (anti-counterfeiting) and generation of the next block.
  • the blockchain can include the underlying platform of the blockchain, the platform product service layer, and the application service layer.

Abstract

本申请涉及人工智能技术，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，本申请还涉及区块链技术，所述规划结果可存储在区块链的节点中。本申请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。本申请可以解决对不同领域虚假新闻检测准确率较低的问题。

Description

虚假新闻检测方法、装置、设备及存储介质
本申请要求于2022年02月22日提交中国专利局、申请号为202210161193.3，发明名称为“虚假新闻检测方法、装置、设备及存储介质”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
技术领域
本申请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。发明人意识到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
本申请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。
本申请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。
本申请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如下所述的虚假新闻检测方法：
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。
本申请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如下所述的虚假新闻检测方法：
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。
附图说明
图1为本申请一实施例提供的虚假新闻检测方法的流程示意图；
图2为本申请一实施例提供的虚假新闻检测装置的功能模块图；
图3为本申请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。
本申请目的的实现、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申请，并不用于限定本申请。
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，为本申请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。
本申请实施例中，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。
例如，医疗领域新冠(COVID-19)疫情谣言数据集、娱乐领域包含虚假新闻数据集GossipCop，以及一些其它领域的虚假新闻数据集。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。
本申请实施例中，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，COVID-19、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CONVID-19、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。
本申请实施例中，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。
本申请一可选实施例中，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，如“九年义务制教育开始在深圳试点！”；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。
本申请实施例中，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。
本申请一可选实施例中，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。
本申请一可选实施例中，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。
本申请一可选实施例中，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(A 2(σ(A 1x+b 1))+b 2)
其中，σ表示sigmoid激活函数，A 1、b 1为所述主干网络中第一全连接层的参数，A 2、b 2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。
本申请实施例中，辅助网络的结构、提取步骤与主干网络类似，在此不再赘述。
本申请实施例中，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。
本申请实施例中，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。
本申请一可选实施例中，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。
本申请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，本申请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。因此本申请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，是本申请一实施例提供的虚假新闻检测装置的功能模块图。
本申请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。本申请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。
本申请实施例中，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。
例如，医疗领域新冠(COVID-19)疫情谣言数据集、娱乐领域包含虚假新闻数据集GossipCop，以及一些其它领域的虚假新闻数据集。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。
本申请实施例中，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，COVID-19、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CONVID-19、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。
本申请实施例中，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。
本申请一可选实施例中，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，如“九年义务制教育开始在深圳试点！”；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。
本申请实施例中，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。
本申请一可选实施例中，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。
本申请一可选实施例中，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。
本申请一可选实施例中，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(A 2(σ(A 1x+b 1))+b 2)
其中，σ表示sigmoid激活函数，A 1、b 1为所述主干网络中第一全连接层的参数，A 2、b 2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。
本申请实施例中，辅助网络的结构、提取步骤与主干网络类似，在此不再赘述。
本申请实施例中，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。
本申请实施例中，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。
本申请一可选实施例中，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。
本申请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，本申请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。因此本申请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，是本申请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，所述计算机可读存储介质可以是非易失性的，也可以是易失性的。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)。
本申请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。
在本申请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，在本申请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，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请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申请。
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，本申请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申请内。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。
本申请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申请的技术方案而非限制，尽管参照较佳实施例对本申请进行了详细说明，本领域的普通技术人员应当理解，可以对本申请的技术方案进行修改或等同替换，而不脱离本申请技术方案的精神和范围。

Claims (20)

  1. 一种虚假新闻检测方法，其中，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，其中，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，其中，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，其中，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，其中，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，其中，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，其中，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，其中，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，其中，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下所述的虚假新闻检测方法：
    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。
  10. 如权利要求9所述的电子设备，其中，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。
  11. 如权利要求9所述的电子设备，其中，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。
  12. 如权利要求9所述的电子设备，其中，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。
  13. 如权利要求12所述的电子设备，其中，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。
  14. 如权利要求13所述的电子设备，其中，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。
  15. 一种计算机可读存储介质，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下所述的虚假新闻检测方法：
    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。
  16. 如权利要求15所述的计算机可读存储介质，其中，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。
  17. 如权利要求15所述的计算机可读存储介质，其中，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。
  18. 如权利要求15所述的计算机可读存储介质，其中，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。
  19. 如权利要求18所述的计算机可读存储介质，其中，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。
  20. 如权利要求19所述的计算机可读存储介质，其中，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。
PCT/CN2022/090433 2022-02-22 2022-04-29 虚假新闻检测方法、装置、设备及存储介质 WO2023159755A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202210161193.3 2022-02-22
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
WO2023159755A1 true WO2023159755A1 (zh) 2023-08-31

Family

ID=81553301

Family Applications (1)

Application Number Title Priority Date Filing Date
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

Country Status (2)

Country Link
CN (1) CN114511038A (zh)
WO (1) WO2023159755A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117370679A (zh) * 2023-12-06 2024-01-09 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

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110019812A (zh) * 2018-02-27 2019-07-16 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
CN112035669A (zh) * 2020-09-09 2020-12-04 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
CN113312479A (zh) * 2021-05-13 2021-08-27 杭州中科睿鉴科技有限公司 跨领域虚假新闻检测方法
US20220036011A1 (en) * 2020-07-30 2022-02-03 InfoAuthN AI Inc. Systems and Methods for Explainable Fake News Detection

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110019812A (zh) * 2018-02-27 2019-07-16 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
CN112035669A (zh) * 2020-09-09 2020-12-04 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
CN113312479A (zh) * 2021-05-13 2021-08-27 杭州中科睿鉴科技有限公司 跨领域虚假新闻检测方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117370679A (zh) * 2023-12-06 2024-01-09 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
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

Also Published As

Publication number Publication date
CN114511038A (zh) 2022-05-17

Similar Documents

Publication Publication Date Title
WO2023159755A1 (zh) 虚假新闻检测方法、装置、设备及存储介质
WO2022141861A1 (zh) 情感分类方法、装置、电子设备及存储介质
WO2021212683A1 (zh) 基于法律知识图谱的查询方法、装置、电子设备及介质
WO2022141859A1 (zh) 图像检测方法、装置、电子设备及存储介质
WO2021208696A1 (zh) 用户意图分析方法、装置、电子设备及计算机存储介质
WO2023029508A1 (zh) 基于用户画像的页面生成方法、装置、设备及介质
WO2023015935A1 (zh) 一种体检项目推荐方法、装置、设备及介质
CN111666415A (zh) 话题聚类方法、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
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
WO2023137906A1 (zh) 文档标题生成方法、装置、设备及存储介质
WO2023040145A1 (zh) 基于人工智能的文本分类方法、装置、电子设备及介质
CN113360654B (zh) 文本分类方法、装置、电子设备及可读存储介质
WO2022095519A1 (zh) 通关检验方法、装置、电子设备及计算机可读存储介质
CN113204698B (zh) 新闻主题词生成方法、装置、设备及介质
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
WO2022227192A1 (zh) 图像分类方法、装置、电子设备及介质
CN113157739B (zh) 跨模态检索方法、装置、电子设备及存储介质
CN113887941A (zh) 业务流程生成方法、装置、电子设备及介质
CN116821373A (zh) 基于图谱的prompt推荐方法、装置、设备及介质
WO2023178979A1 (zh) 问题标注方法、装置、电子设备及存储介质
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
CN115346095A (zh) 视觉问答方法、装置、设备及存储介质
CN113419951B (zh) 人工智能模型优化方法、装置、电子设备及存储介质
CN115146064A (zh) 意图识别模型优化方法、装置、设备及存储介质