微博,Twitter,微信等網(wǎng)絡(luò)社交平臺(tái)的發(fā)展徹底改變了人們的交流方式,在方便人們獲取最新信息的同時(shí),謠言和虛假信息在網(wǎng)絡(luò)平臺(tái)上的大量傳播對(duì)個(gè)人,社會(huì)甚至國家?guī)淼奈：σ踩找婕觿�。由于信息的傳播速度極快,想通過人工方式及時(shí)發(fā)現(xiàn)謠言或虛假信息是不現(xiàn)實(shí)的,因此謠言的自動(dòng)檢測(cè)成為近年來的研究熱點(diǎn)。現(xiàn)有的謠言檢測(cè)方法主要是提取多特征用于分類,但這并不適用于謠言的早期檢測(cè),并且對(duì)于長文本信息,常用的循環(huán)神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)也不能很好的理解語義。為解決現(xiàn)有的謠言檢測(cè)研究中存在的問題,本文提出了一種新的謠言檢測(cè)方法,通過分析文本的內(nèi)容特征來實(shí)現(xiàn)謠言的早期檢測(cè)任務(wù)。本文借鑒了預(yù)訓(xùn)練的思想,進(jìn)一步提高謠言檢測(cè)模型的檢測(cè)的時(shí)效性,并且采用了深層雙向的轉(zhuǎn)換編碼器用于特征提取,有效地解決了長文本中的遠(yuǎn)距離特性依賴問題,因此能更加準(zhǔn)確地理解語義,提高謠言檢測(cè)的準(zhǔn)確率。為進(jìn)一步提升模型的檢測(cè)性能,本文還對(duì)原始數(shù)據(jù)做了數(shù)據(jù)增強(qiáng)處理。本文在Twitter謠言數(shù)據(jù)集和FakeNewsNet虛假新聞數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn),結(jié)果表明,本文提出的謠言檢測(cè)模型準(zhǔn)確率和F1-評(píng)測(cè)值都要優(yōu)于當(dāng)前的基準(zhǔn)模型。 

【文章來源】：浙江工商大學(xué)浙江省

【文章頁數(shù)】：63 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

謠言檢測(cè)方法分類示意圖

234.1.2模型整體架構(gòu)本文提出的謠言檢測(cè)方法采用的是一種深層雙向的轉(zhuǎn)換編碼器架構(gòu)用于特征提取，最后通過一個(gè)前饋神經(jīng)網(wǎng)絡(luò)（Feed-forwardNeuralNetwork）加上一個(gè)softmax歸一化的輸出層組合來完成謠言的分類預(yù)測(cè)。本文為了能夠?qū)崿F(xiàn)謠言的早期檢測(cè)，所用到的有標(biāo)簽的訓(xùn)練數(shù)據(jù)集中的每一條數(shù)據(jù)是由文本信息和信息所對(duì)應(yīng)標(biāo)簽組成，模型的輸入數(shù)據(jù)只是信息的內(nèi)容本身，不包含例如信息的發(fā)布者等其它相關(guān)信息，模型的輸出則是預(yù)測(cè)的輸入文本的類別標(biāo)簽值（“謠言”或者“非謠言”）。本文提出的謠言檢測(cè)模型的整體架構(gòu)如圖4.1所示，按照模型內(nèi)部的運(yùn)行流程，該模型可以大致分為四個(gè)部分：第一部分是對(duì)數(shù)據(jù)文本的處理，首先對(duì)輸入文本做了數(shù)據(jù)清洗，再利用同義詞替換的方式做了數(shù)據(jù)增強(qiáng)，最后對(duì)文本進(jìn)行分詞；第二部分是嵌入層，將分詞之后的每個(gè)標(biāo)記符號(hào)變?yōu)檗D(zhuǎn)換器的輸入向量表示；第三部分是雙向轉(zhuǎn)換編碼模塊，主要是做文本特征的抽取和文本類別的預(yù)測(cè)；第四部分是分類輸出，通過得到的預(yù)測(cè)值來判斷輸入信息的類別。接下來本文將對(duì)模型的這四個(gè)部分的具體實(shí)現(xiàn)細(xì)節(jié)做進(jìn)一步的描述。圖4.1謠言檢測(cè)模型的整體架構(gòu)4.2嵌入層基于轉(zhuǎn)換編碼器的謠言檢測(cè)模型是一種句子級(jí)別的二分類模型，模型的輸入是一個(gè)線性序列，輸入的數(shù)據(jù)內(nèi)容是是單個(gè)句子文本。和自然語言處理里所用到的經(jīng)典深度學(xué)習(xí)模型一樣，本文所用到的預(yù)訓(xùn)練語言模型BERT會(huì)將輸入文本序列中的每一個(gè)詞送到詞嵌入層，從而將序列中每一個(gè)詞轉(zhuǎn)換成對(duì)應(yīng)向量表示。但不同于其它模型的地方是BERT在詞嵌入層的基礎(chǔ)上又增加了兩個(gè)特別的嵌入層，分別是句子切分嵌入層和位置嵌入層。最后在這三個(gè)嵌入層中得到的三種向量表示會(huì)通過元素簡單求和，得到接下去

詞嵌入層的輸出結(jié)果

【參考文獻(xiàn)】：
期刊論文
[1]在線社會(huì)網(wǎng)絡(luò)謠言檢測(cè)綜述[J]. 陳燕方,李志宇,梁循,齊金山.  計(jì)算機(jī)學(xué)報(bào). 2018(07)



本文編號(hào)：3424713