申请/专利权人：中国传媒大学

申请日：2024-04-01

公开（公告）日：2024-06-18

公开（公告）号：CN117972497B

主分类号：G06F18/24

分类号：G06F18/24;G06F16/33;G06F16/35;G06F16/55;G06F16/583;G06F18/213;G06F18/25;G06N3/0455;G06N3/0464;G06N3/048;G06N3/0499;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.06.18#授权;2024.05.21#实质审查的生效;2024.05.03#公开

摘要：本发明提供了一种基于多视图特征分解的虚假信息检测方法及系统，方法包括以下步骤：S1：从信息样本中获取不同视图的特征；S2：将每个视图的特征分离为共享特征和特有特征，对齐不同视图间的共享特征得到最终共享特征；所述共享特征为与其他视图的特征相同的特征，所述特有特征为与其他视图的特征不同的特征；S3：获取每个特有特征的重要性参数，将获取重要性参数后的特有特征与所述最终共享特征进行交互，并输出聚合特征；S4：将所述聚合特征输入预设分类器，得到预测分数，根据所述预测分数判断所述信息样本的虚假性。本发明充分利用多视图的共享特征和特有特征的一致性和互补性信息，提高虚假信息的检测性能。

主权项：1.一种基于多视图特征分解的虚假信息检测方法，其特征在于，包括以下步骤：S1：从信息样本中获取不同视图的特征；S2：将每个视图的特征分离为共享特征和特有特征，对齐不同视图间的共享特征得到最终共享特征；所述共享特征为与其他视图的特征相同的特征，所述特有特征为与其他视图的特征不同的特征；S3：获取每个特有特征的重要性参数，将获取重要性参数后的特有特征与所述最终共享特征进行交互，并输出聚合特征；S4：将所述聚合特征输入预设分类器，得到预测分数，根据所述预测分数判断所述信息样本的虚假性；所述步骤S1中，不同视图包括语义视图、风格视图和情感视图；获取所述语义视图的特征，包括：将所述信息样本的文本输入预设预训练模型，将所述文本的单词按照语义编码为词向量的形式，以获取所述文本的语义浅层特征向量集，得到所述文本的结构化表征，将所述语义浅层特征向量集输入高阶语义特征提取层，映射为语义高阶特征向量集；获取所述风格视图的特征，包括：设定预设数量种风格特征，根据所述风格特征从所述文本中获取风格浅层特征向量集，将所述风格浅层特征向量集输入风格嵌入层，通过所述风格嵌入层的MLP神经网络，映射为风格高阶特征向量集；获取所述情感视图的特征，包括：设定预设数量种情感特征，根据所述情感特征从所述文本中获取内容情感特征向量集，从所述信息样本的评论中获取评论情感特征向量集，对所述内容情感特征向量集和所述评论情感特征向量集做差分获得双重情感差异特征向量集，将所述内容情感特征向量集、所述评论情感特征向量集和所述双重情感差异特征向量集统一拼合为情感浅层特征向量集，将所述情感浅层特征向量集输入情感嵌入层的MLP神经网络，获得情感高阶特征向量集；在所述步骤S2中，将每个视图的特征分离为共享特征和特有特征，包括：为每个视图设置两个特征提取网络，一个特征提取网络用于将所述视图的高阶特征向量集映射到共享特征向量空间，所述共享特征向量空间输出所述视图的共享特征向量；另一个特征提取网络用于将所述视图的高阶特征向量集映射到特有特征向量空间，所述特有特征向量空间输出所述视图的特有特征向量；根据所述共享特征向量和所述特有特征向量，求同一视图的共享特征矩阵和特有特征矩阵，计算所述共享特征矩阵和所述特有特征矩阵的欧氏距离lorth，使lorth达到最大化，同一视图的特征分离为共享特征和特有特征。

全文数据：

权利要求：

百度查询： 中国传媒大学 基于多视图特征分解的虚假信息检测方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD