【《基于用户行为特征的谣言检测方法案例分析》5900字】_第1页
【《基于用户行为特征的谣言检测方法案例分析》5900字】_第2页
【《基于用户行为特征的谣言检测方法案例分析》5900字】_第3页
【《基于用户行为特征的谣言检测方法案例分析》5900字】_第4页
【《基于用户行为特征的谣言检测方法案例分析》5900字】_第5页
已阅读5页，还剩8页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

基于用户行为特征的谣言检测方法案例分析目录TOC\o"1-3"\h\u19939基于用户行为特征的谣言检测方法案例分析 [23]模型；BERT-DPCNN模型：是上一章所提出用来检测谣言的模型，主要应用用户信息特征，结合微博文本特征来进行微博谣言检测。ERNIE-DPCNN模型：是本章所提出用来检测微博谣言的模型，主要应用用户行为特征，结合用户信息特征和微博文本特征来进行微博谣言检测。上面所介绍的模型，全都是具有代表性的模型。所有模型均使用同一个数据集以及上文所提到的评价指标，以此来对比分析本模型的优势所在。为了验证谣言的分类结果的有效性，采用上一章提到的两个机器学习算法，以及决策树算法，RNN模型，LSTM模型，GRU模型，CNN模型，DPCNN模型和第三章提出的BERT-DPCNN模型与本章提出的模型作对比。首先被用到谣言检测中的深度学习模型是RNN模型，与机器学习方法相比效果有所提升。使用该典型模型得到的实验结果，更加有说服力。LSTM模型是RNN模型的升级版，解决了RNN的记忆力问题，在谣言检测方面应用与RNN相比更加广泛。而GRU模型又是LSTM模型的变体，应用起来更加便捷。CNN模型在处理特征方面有独特的优势，BERT模型是如今火热的处理数据的模型。本模型与这些应用广泛的模型作比较更具有说服力，其实验结果如图4-7所示。图4-7不同模型的实验结果对比图从图4-7中可以看出，ERNIE和DPCNN组合模型的准确率高于其它，主要是因为ERNIE和DPCNN两个模型的结合，可以双重解决文本长距离依赖的关系问题。其中，ERNIE可以连续学习，缩短处理数据的时间，DPCNN缓解了梯度消失的问题同时也加快了特征的传递。从图中可以看出，本模型比RNN模型的准确率提高了8.5%；比LSTM模型的准确率提高了5.5%；比GRU模型的准确率提高了3%；比CNN模型的准确率提高了3.6%；比DPCNN模型的准确率提高了2.9%；比BERT-DPCNN模型的准确率提高了2.6%。综上，与深度学习模型相比，本文的模型得到的结果是最好的。综上所述，通过实验结果表明ERNIE-DPCNN谣言检测方法有三点优势：一是引入了用户行为特征，并提出用户行为特征、用户信息特征及问题特征相结合的方法，验证用户行为特征对谣言检测的帮助。对比只应用文本特征的ERNIE-DPCNN模型，在准确率、召回率和F1值方面都有提升。二是本模型使用了ERNIE模型作为预训练模型，对比BERT训练模型，ERNIE模型可以处理中文数据的同时，对句子的处理更加

人人文库> 全部分类> 行业资料 > 工业设计

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论