【《基于BERT-DPCNN模型的谣言检测方法分析案例》5700字（论文）】

[23]模型：是2017年被提出来的简单的神经网络模型，主要在特征提取的计算方面可以更便捷。（8）BERT-DPCNN模型：是本文所提出用来检测微博谣言的模型，主要应用用户信息特征，结合微博文本内容信息特征来进行微博谣言检测。上面所介绍的模型，第一个和第二个属于具有代表性的机器学习模型，其余的属于深度学习模型。所有模型均使用同一个数据集，使用上文所提到的模型评价指标，以此来对比分析本模型的优势所在。1.5.3实验数据分析将用户信息特征应用于本模型。由于机器学习方法得到的准确率在78%以上，所以最后选取使准确率不低于78%的特征。在用户信息特征中，经过实验选取了影响最大的6个特征，如表3-3所示。将选取的用户信息特征和微博文本特征组合在一起，对微博谣言信息进行检测，提升谣言检测的效果。首先将微博认证，关注数量，粉丝数量，用户的简介，性别，发布的地点这些重要的用户信息特征分别融入本模型。接着对用户信息加入模型与不加入模型做了对比实验。实验结果显示，特征融入模型之后，准确率、召回率和F1值都有所提升，其中准确率提高了2.2%，F1值提高了4.8%，召回率提高了1.7%。两个实验相互对比的详细结果如图3-9所示。表3-3各特征的实验结果特征accuracyrecallF1-socre认证0.8450.8490.847关注数量0.8070.7730.789粉丝数量0.7910.8940.839用户的简介0.8470.9000.873性别0.7840.7580.752发布的地点0.8280.7270.774图3-9有无特征的对比结果上节中所提到的对比实验的模型其对比结果，如图3-10所示。图3-10中只应用了准确率（ACC）来展示。从图中可以清晰的看出，机器学习模型的准确率明显低于深度学习模型，也证明了本模型较其他模型在准确率方面有优势。图3-10准确率（ACC）对比结果表3-4模型对比结果模型准确率召回率F1值DT-Rank0.6740.7820.724SVM-TS0.7980.8160.807RNN0.8350.8430.839LSTM0.8550.8830.869CNN0.8210.8250.823GRU0.8570.9000.878DPCNN0.8530.8830.867BERT-DPCNN0.8740.8990.886为了进一步证明本模型的优势，表3-4给出了每个模型的三个评价指标。表中可以明显看出，本模型的效果比机器学习模型好，与其他深度学习模型相比，准确率有所提高，与效果最差的基准模型CNN相比准确率提高了5.3%，与效果最好的基准模型GRU相比准确率提高了1.7%，从而证明了本模型在谣言检测任务上是有效的，可能由于本模型在记忆力和处理长文本这两方面做的更好，所以本模型才会比其他模型更有优势。综上所述，通过实验结果表明BERT-DPCNN谣言检测方法有三点优势：一是引入了用户信息特征，对比只应用文本特征的DPCNN模型，无论是从准确率、召回率还是从F1值方面都有提升。二是本模型使用了BERT模型作为预训练模型，对比传统的词语训练模型，BERT模型