本發(fā)明涉及人工智能，尤其涉及一種基于滑動窗口的謠言檢測方法。
背景技術(shù)：
1、社交媒體已然成為人們獲取資訊、表達觀點和維系社交的核心平臺。盡管如此，其背后潛藏的風(fēng)險不容忽視，尤其是謠言的無序擴散與快速蔓延，已對社會穩(wěn)定、公眾信任以及經(jīng)濟秩序構(gòu)成了嚴(yán)峻挑戰(zhàn)。因此，如何在社交媒體上高效、精準(zhǔn)地識別并遏制謠言的傳播，已成為當(dāng)前亟待解決的關(guān)鍵問題。
2、傳統(tǒng)的謠言檢測主要依靠基于人工設(shè)計的特征和機器學(xué)習(xí)方法來識別謠言。隨著深度學(xué)習(xí)的發(fā)展，各種神經(jīng)網(wǎng)絡(luò)的出現(xiàn)提升了謠言檢測性能。研究者探索了謠言事件的靜態(tài)傳播圖并取得了卓越的檢測性能。進一步探索了事件的時間動態(tài)，并提出了動態(tài)圖來模擬社交媒體上事件的傳播。這些方法通常由圖神經(jīng)網(wǎng)絡(luò)構(gòu)建，強調(diào)節(jié)點特征的轉(zhuǎn)換和聚合，但無法捕捉傳播的詳細時間特征，例如速度、深度和廣度，這樣就無法從時間特征的角度對謠言進行識別，從而可能無法及時準(zhǔn)確地對謠言進行識別，也無法得到謠言全面的傳播特征。
技術(shù)實現(xiàn)思路
1、本發(fā)明旨在至少解決相關(guān)技術(shù)中存在的技術(shù)問題之一。為此，本發(fā)明提供一種基于滑動窗口的謠言檢測方法，實現(xiàn)對社交媒體上的謠言的高效檢測。
2、本發(fā)明提供一種基于滑動窗口的謠言檢測方法，包括：
3、s1：獲取謠言內(nèi)容數(shù)據(jù)，從謠言內(nèi)容數(shù)據(jù)中獲取謠言內(nèi)容序列和謠言源節(jié)點，通過謠言內(nèi)容序列和謠言源節(jié)點構(gòu)建謠言傳播圖；
4、s2：確定初始謠言窗口，通過所述初始謠言窗口計算謠言傳播基準(zhǔn)速率，根據(jù)謠言傳播基準(zhǔn)速率進行窗口動態(tài)調(diào)整并對謠言傳播基準(zhǔn)速率進行更新，得到謠言窗口集；
5、s3：通過謠言傳播圖和謠言窗口集計算節(jié)點深度，根據(jù)節(jié)點深度得到深度嵌入向量；
6、s4：計算匹配窗口編碼，獲取初始記憶庫，通過匹配窗口編碼和深度嵌入向量計算節(jié)點深度信息，通過節(jié)點深度信息和記憶增強注意力機制得到謠言事件表示增量，將謠言事件表示增量合并到初始記憶庫中并對所述初始記憶庫進行迭代，得到謠言事件表示；
7、s5：獲取深度神經(jīng)網(wǎng)絡(luò)，將謠言事件表示輸入所述到所述深度神經(jīng)網(wǎng)絡(luò)中，通過深度神經(jīng)網(wǎng)絡(luò)完成謠言檢測。
8、根據(jù)本發(fā)明提供的一種基于滑動窗口的謠言檢測方法，步驟s1具體包括：
9、s11：確定目標(biāo)軟件，從所述目標(biāo)軟件中獲取謠言內(nèi)容數(shù)據(jù)，對所述謠言內(nèi)容數(shù)據(jù)進行檢測，得到潛伏謠言事件，從所述謠言內(nèi)容數(shù)據(jù)中抽取與所述潛伏謠言事件相關(guān)的謠言內(nèi)容文本并排序，得到謠言內(nèi)容序列；
10、s12：將所述謠言內(nèi)容序列中時間最早的謠言內(nèi)容文本作為所述謠言源節(jié)點，并根據(jù)所述謠言內(nèi)容文本的產(chǎn)生時間和傳播順序構(gòu)建所述謠言傳播圖。
11、根據(jù)本發(fā)明提供的一種基于滑動窗口的謠言檢測方法，步驟s2具體包括：
12、s21：確定初始謠言數(shù)量，根據(jù)所述初始謠言數(shù)量確定所述初始謠言窗口，獲取所述初始謠言窗口的謠言時間戳，根據(jù)所述謠言時間戳計算所述謠言傳播基準(zhǔn)速率；
13、s22：獲取謠言窗口數(shù)量并確定待調(diào)節(jié)窗口，通過所述謠言窗口數(shù)量進行劃分，得到初始節(jié)點數(shù)量，根據(jù)所述初始節(jié)點數(shù)量和所述謠言傳播基準(zhǔn)速率對所述待調(diào)節(jié)窗口進行窗口動態(tài)調(diào)整，得到調(diào)節(jié)后窗口，并對謠言傳播基準(zhǔn)速率進行更新；
14、s23：通過更新后的謠言傳播基準(zhǔn)速率重復(fù)執(zhí)行步驟s22，從而通過所述調(diào)節(jié)后窗口得到所述謠言窗口集。
15、根據(jù)本發(fā)明提供的一種基于滑動窗口的謠言檢測方法，步驟s3中，通過所述謠言窗口集和所述謠言傳播圖得到窗口鄰接矩陣，通過所述窗口鄰接矩陣計算節(jié)點深度，根據(jù)所述節(jié)點深度得到所述深度嵌入向量。
16、根據(jù)本發(fā)明提供的一種基于滑動窗口的謠言檢測方法，步驟s4具體包括：
17、s41：通過多層感知機函數(shù)計算匹配窗口編碼并得到初始記憶庫，從深度嵌入向量中提取得到第一深度信息和第二深度信息，通過所述第一深度信息、所述第二深度信息和所述匹配窗口編碼計算所述節(jié)點深度信息；
18、s42：獲取可訓(xùn)練參數(shù)矩陣，通過所述節(jié)點深度信息對所述可訓(xùn)練參數(shù)矩陣進行轉(zhuǎn)換，得到查詢向量、鍵向量和值向量；
19、s43：求取所述查詢向量、所述鍵向量和所述值向量的注意力參數(shù)，將所述注意力參數(shù)輸入多頭注意力函數(shù)，得到多頭注意力表示，通過多頭注意力表示和所述節(jié)點深度信息得到所述謠言事件表示增量；
20、s44：將謠言事件表示增量合并到初始記憶庫中并對窗口鄰接矩陣進行更新，通過更新后的所述窗口鄰接矩陣對所述初始記憶庫進行迭代，得到謠言事件表示。
21、根據(jù)本發(fā)明提供的一種基于滑動窗口的謠言檢測方法，步驟s44中，在對所述初始記憶庫進行迭代時，從所述謠言窗口集中選取新的調(diào)節(jié)后窗口并重復(fù)步驟s3至s43，將得到的謠言事件表示增量合并到初始記憶庫中，直至所有所述調(diào)節(jié)后窗口均被用于計算節(jié)點深度并對所述初始記憶庫進行迭代。
22、根據(jù)本發(fā)明提供的一種基于滑動窗口的謠言檢測方法，步驟s5具體包括：
23、s51：獲取初始深度神經(jīng)網(wǎng)絡(luò)，將所述謠言事件表示輸入到所述初始深度神經(jīng)網(wǎng)絡(luò)的完全連接層和激活函數(shù)層中，得到初始神經(jīng)網(wǎng)絡(luò)輸出；
24、s52：計算所述初始神經(jīng)網(wǎng)絡(luò)輸出的交叉熵，通過所述交叉熵對所述初始深度神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，得到目標(biāo)深度神經(jīng)網(wǎng)絡(luò)，將所述謠言事件表示輸入到所述目標(biāo)深度神經(jīng)網(wǎng)絡(luò)中，得到謠言表示判斷結(jié)果，通過所述謠言表示判斷結(jié)果完成謠言檢測。
25、根據(jù)本發(fā)明提供的一種基于滑動窗口的謠言檢測方法，步驟s1中，所述謠言傳播圖包括謠言節(jié)點集合、鄰接矩陣和特征矩陣。
26、根據(jù)本發(fā)明提供的一種基于滑動窗口的謠言檢測方法，步驟s43中，獲取所述查詢向量、所述鍵向量和所述值向量的向量維度，通過所述向量維度并進行softmax變換得到所述注意力參數(shù)。
27、根據(jù)本發(fā)明提供的一種基于滑動窗口的謠言檢測方法，步驟s41中，通過所述第一深度信息和所述初始記憶庫得到第一節(jié)點深度信息，通過所述第二深度信息和所述匹配窗口編碼得到第二節(jié)點深度信息，所述節(jié)點深度信息包括所述第一節(jié)點深度信息和所述第二節(jié)點深度信息。
28、本發(fā)明實施例中的上述一個或多個技術(shù)方案，至少具有如下技術(shù)效果之一：
29、本發(fā)明提供的一種基于滑動窗口的謠言檢測方法，通過謠言傳播基準(zhǔn)速率有效對謠言信息進行了窗口動態(tài)調(diào)整，從而體現(xiàn)了謠言信息傳播的動態(tài)性，通過記憶增強注意力機制有效增強了對謠言傳播的結(jié)構(gòu)信息特征和信息特征的學(xué)習(xí)，并將其合并至初始記憶庫中用于謠言檢測，有效提高了謠言檢測任務(wù)的準(zhǔn)確度和有效性。
30、本發(fā)明的附加方面和優(yōu)點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本發(fā)明的實踐了解到。
1.一種基于滑動窗口的謠言檢測方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的一種基于滑動窗口的謠言檢測方法，其特征在于，步驟s1具體包括：
3.根據(jù)權(quán)利要求1所述的一種基于滑動窗口的謠言檢測方法，其特征在于，步驟s2具體包括：
4.根據(jù)權(quán)利要求1所述的一種基于滑動窗口的謠言檢測方法，其特征在于，步驟s3中，通過所述謠言窗口集和所述謠言傳播圖得到窗口鄰接矩陣，通過所述窗口鄰接矩陣計算節(jié)點深度，根據(jù)所述節(jié)點深度得到所述深度嵌入向量。
5.根據(jù)權(quán)利要求1所述的一種基于滑動窗口的謠言檢測方法，其特征在于，步驟s4具體包括：
6.根據(jù)權(quán)利要求5所述的一種基于滑動窗口的謠言檢測方法，其特征在于，步驟s44中，在對所述初始記憶庫進行迭代時，從所述謠言窗口集中選取新的調(diào)節(jié)后窗口并重復(fù)步驟s3至s43，將得到的謠言事件表示增量合并到初始記憶庫中，直至所有所述調(diào)節(jié)后窗口均被用于計算節(jié)點深度并對所述初始記憶庫進行迭代。
7.根據(jù)權(quán)利要求1所述的一種基于滑動窗口的謠言檢測方法，其特征在于，步驟s5具體包括：
8.根據(jù)權(quán)利要求1所述的一種基于滑動窗口的謠言檢測方法，其特征在于，步驟s1中，所述謠言傳播圖包括謠言節(jié)點集合、鄰接矩陣和特征矩陣。
9.根據(jù)權(quán)利要求5所述的一種基于滑動窗口的謠言檢測方法，其特征在于，步驟s43中，獲取所述查詢向量、所述鍵向量和所述值向量的向量維度，通過所述向量維度并進行softmax變換得到所述注意力參數(shù)。
10.根據(jù)權(quán)利要求5所述的一種基于滑動窗口的謠言檢測方法，其特征在于，步驟s41中，通過所述第一深度信息和所述初始記憶庫得到第一節(jié)點深度信息，通過所述第二深度信息和所述匹配窗口編碼得到第二節(jié)點深度信息，所述節(jié)點深度信息包括所述第一節(jié)點深度信息和所述第二節(jié)點深度信息。