买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：北京工商大学

摘要：本发明公布了一种基于社区传播结构的领域增强虚假新闻检测方法，属于计算机数据挖掘和社会计算技术领域。本发明基于残差模块和根节点增强，建立一种全新的图神经网络层，有效改善原有图神经网络的过平滑性问题，针对大范围传播新闻的真伪判断技术瓶颈；此外，加入一种领域增强学习结构，加强模型对带有明显兴趣偏好的区域传播模式的学习，最终有效针对带有明显兴趣偏好的区域大范围传播新闻的真伪进行判定，得到新闻在虚假新闻检测任务上的分类结果。本发明提高了基于传播结构的虚假新闻分类能力，有效解决社交媒体中充斥大量虚假新闻的现实问题。

主权项：1.一种基于社区传播结构的社交媒体虚假新闻检测方法，其特征在于，包括：步骤S1：获取以源博文为源节点，以转推路线作为传播分支的传播图，其中节点特征值为传播过程中的用户发文，利用独热编码的前5000个高频率的词语特征表示；步骤S2：将社交媒体虚假新闻图输入源增强的残差图卷积神经网络层，从高维度的社交媒体虚假新闻图特征中提取传播特征，得到低维度的源节点增强的聚合特征；具体包括：步骤S21：输入传播图或输入上一层源增强的残差图卷积神经网络计算得到的源节点增强的聚合特征；步骤S22：利用GraphSAGE提取传播图的聚合特征，采用GraphSAGE中的Mean聚合函数，在对节点v进行聚合时，对节点v和邻域的特征向量求均值，如下公式1所示： 其中，表示节点v经过第k次的Mean聚合后的隐藏特征，Nv表示节点v的在第k此聚合时的邻域，节点在每一层的邻域数量都不同，通过采样得到；步骤S23：将输入GraphSAGE之前的数据与经过GraphSAGE提取的聚合特征相加，得到残差增强后的聚合特征，公式如2所示： 其中，代表经过l+1层的残差增强后的GraphSAGE模块的聚合特征，Hl代表经过l层后的GraphSAGE的聚合特征，H·表示残差模块结合的GraphSAGE方法，Wl表示第l层的GraphSAGE参数；步骤S24：将源文节点的特征与残差增强后的聚合特征拼接，得到源节点增强的聚合特征，如公式3所示： 其中，代表l+1层的源节点增强的聚合特征，concat[·]表示拼接操作，表示的源节点特征；步骤S25：将高维的源节点增强的聚合特征通过全连接神经网络降维，得到低维度源节点增强的聚合特征；步骤S3：通过将S2中得到的聚合特征输入到伯努利-泊松解码器，计算每一层图卷积神经网络学习传播模式特征的无监督损失；步骤S4：重复S1-S3中的步骤，将最后一次循环所得到的低维度的源节点增强的聚合特征输入交叉熵损失函数，最终得到交叉损失；步骤S5：将S4中计算的交叉熵损失与S3中得到的无监督损失相加，作为模型整体的损失数值；步骤S6：若损失数值大于期望阈值，则继续训练：将S4中的损失函数反向传播，更新模型中的网络参数，若损失数值小于预期阈值，则停止训练，得到训练好的网络参数；步骤S7：输入需要分类的新闻传播图；步骤S8：通过softmax函数计算最终得到各分类结果的概率，将概率最大的种类作为该新闻的分类结果。

全文数据：

权利要求：

百度查询： 北京工商大学 一种基于社区传播结构的社交媒体虚假新闻检测方法