CN114757185B 一种基于动态图注意力胶囊网络的谣言检测方法与装置 （东南大学）

号一种基于动态图注意力胶囊网络的谣言检本发明公开了一种基于动态图注意力胶囊的预判机制。本发明首先使用动态网络框架DYN对谣言传播过程中积累的评论以时间顺序进行划分，形成多个静态的以图为基础的子评论结意力机制整合各子分类胶囊捕获谣言评论结构深层次的属性以及评论结构随时间演化的动态2步骤2，构建图注意力胶囊网络模块，将图注意力网络子步骤2-3，形成子结构分类胶囊，将Transformer提取源帖子A＝concat(H,r)将不同图网络层的同一位置的特征值进行拼接，从而得到向量形式的初级胶囊U=α*H'采用胶囊网络中动态路由算法将归一化的初级胶囊转换成子结构的首先收集并整理目前主流的谣言检测数据集Twitter15和Twitte子步骤2-1具体包括如下过程：对于每个谣言事件c,依赖于评论之间和评论与源帖子之间的响应关系，构建在S(t)状态下以图为基础的子评论结构＜V(t),E(t)其中，3频率较高的一定数量的单词对节点编码并作为初始特征向量，利用图注意力网络GAT获取子步骤2-2具体包括如下过程：对于源帖子文本中的每个单词，使其中nr表示源帖子文本中单词的个数，hr是经过Transformer的Encoder模块编码之后初级胶囊U通过权重wij获得预测向量uj|i，利用初始化的胶囊权重以获得胶囊输出sj；sj＝ij*uj|i4过对所有子结构分类胶囊向量求取平均值从而得到最终的分类胶囊I∈Rk*f，其中k是分类对于待检测的社交媒体帖子，首先采用爬虫技术爬取平台上的相关数8.一种基于动态图注意力胶囊网络的谣言检测装置实现权利要求1-7中任意一项所述的基于动态图注意力胶囊网络5[0002]社交媒体的快速发展改变了人与人日常交流的方式，但同时导致大量谣言的产[0003]社交媒体中的谣言是指不法分子发布在社交媒体平台上针对公众关注的事件捏征工程，同时人为构建的特征主观性较强且缺乏高阶的特征表示,故不能有效地抽取谣言对于蕴含丰富文本属性特征的谣言来说，当谣言的传播结构从图神经网络学习到图嵌入位置信息和局部信息等。同时考虑到目前的谣言检测工作大多只聚焦于单一的图传播结6[0006]本发明首先使用动态网络框架DYN对谣言传播过程中积累的评论以时间顺序进行分类胶囊注意力机制整合各子分类胶囊捕获谣言评论结构随时间动态演化过程中的动态取子结构分类胶囊；最后设计分类胶囊注意力机制关注各子结构分类胶囊的重要性信息，后使用TF-IDF技术对数据集中的文本建立词典库，并根据词频选取文本中频率较高的一7[0021]其中nr表示源帖子文本中单词的个数，hr是经过Transformer的Enc终源帖子文本特征表示向量reR4,其中dr是源帖子特征维度的大小；每个节点的全局特征融合以加强每个图节点的表示，从而得到加强后的节点特征表示计算公式为：[0025]将不同图网络层的同一位置的特征值进行拼接，从而得到向量形式的初级胶囊节点归一化的方法在图网络层上生成注意力值α并应用到初级胶囊，从而得到归一化的初[0037]sj＝ij*uj|i8评论结构经过self-attention机制后的分类胶囊ho,其中关键向量的维度dk被用来使梯度稳定；通过对所有子结构分类胶囊向量求取平均值从而得到最终的分类胶囊IeR"[0051]本发明还提供了一种基于动态图注意力胶囊网络的谣言检测装置，包括存储器、器时实现上述基于动态图注意力胶囊网络的谣9[0055]图1为本发明提供的一种基于动态图注意力胶囊网络的谣言检测方法总体框架[0063]步骤1，数据集构建及特征处理。首先收集并整理目前主流的谣言检测数据集根据词频选取文本中频率较高的5000个单词对每个帖子进行编码；最后对于每个谣言事模块中，本发明将图注意力网络GAT应用到谣言的以图为基础的子评论结构中进行聚合计到初级胶囊；然后使用节点归一化的方法生成归一化的初级胶囊来关注胶囊中重要性信间和评论与源帖子之间的响应关系，本发明构建了在S(t)状态下以图为基础的子评论结构TF-IDF模型根据词频选取文本中频率较高的5000个单词对节点编码并作为初始特征向量，利用图注意力网络GAT获取全局化特征HeR"",其中，p是图注意力网络的层数，N是图m是经过每个图注意力层编码后隐藏向量维度的大小；[0069]其中nr表示源帖子文本中单词的个数，hr是经过Transformer的Enc强后的节点特征表示deR"yte,"),计算公式为：[0073]将不同图网络层的同一位置的特征值进行拼接，从而得到向量形式的初级胶囊(*)函数来聚合特征信息。每个图节点生成的初级胶囊反映了不同聚合程度的图网络层信息，使得节点表示更能体现谣言文本的本质特征，图3展示了图特征转换成胶囊形式的过[0075]U=α*H'[0083]sj＝ij*uj|i的子评论结构；然后将每个子结构应用于图胶囊注意力网络模块继而获取子结构分类胶每个评论结构含有的评论数是事件c的评论结构S被机制后的分类胶囊h,…其中关键向量的维度dk被用来使梯度稳定。通过对所有子结构分类[0095]步骤5，采集待检测的社交媒体帖子并进行模型预测。对于待检测的社交媒体帖型首先使用DYN框架对谣言传播过程中积累的评论以时间顺序进行划分，形成多个静态的计算机程序被加载至处理器时