(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211048168.0 (22)申请日 2022.08.30 (71)申请人 重庆理工大 学 地址 400054 重庆市巴南区李 家沱红光大 道69号 (72)发明人 朱小飞　陈卓敏　王莉　 (74)专利代理 机构 重庆博凯知识产权代理有限 公司 50212 专利代理师 张乙山 (51)Int.Cl. G06F 16/35(2019.01) G06F 40/30(2020.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于主题和结构感知神经网络的虚假新闻 检测方法 (57)摘要 本发明具体涉及基于主题和结构感知神经 网络的虚假新闻检测方法， 包括： 将待检测的新 闻文本输入至经过训练的检测模 型， 输出对应的 预测分类结果； 训练时： 首先提取新闻文本的语 义表示和主题表示并融合得到主题角度新闻表 示， 同时生成主题可信度； 其次提取新闻文本的 发布者表示和传播者表示并融合得到用户角度 新闻表示， 进而生成发布者可信度和传播者可信 度； 然后拼接主题角度新闻表示和用户角度新闻 表示得到最终新闻表示， 并基于最终新闻表示生 成预测分类结果； 最后联合新闻主题学习、 主题 可信度、 发布者可信度、 传播者可信度和预测分 类结果计算训练损失， 并进行反向传播。 本发明 能够充分探索并联合新闻细粒度的主题信号和 粗粒度的主题信号。 权利要求书4页 说明书18页 附图3页 CN 115269854 A 2022.11.01 CN 115269854 A 1.基于主题和结构感知神经网络的虚假 新闻检测方法， 其特 征在于， 包括： S1： 获取待检测的新闻文本； S2： 将待检测的新闻文本 输入至经 过训练的检测模型， 输出对应的预测分类结果； 训练检测模型时， 将训练用新闻文本输入至检测模型： 首先提取新闻文本的语义表示 和主题表示， 并融合语义表示和主题表示得到主题角度新闻表示， 同时基于主题角度新闻 表示生成主题可信度； 其次提取新闻文本的发布者表示和传播者表示， 并融合发布者表示 和传播者表示得到用户角度新闻表示， 进而分别基于发布者表示和传播者表示生成发布者 可信度和传播者可信度； 然后拼接主题角度新闻表示和用户角度新闻表示得到最 终新闻表 示， 并基于最终新闻表示生成预测分类结果； 最后联合新闻主题学习、 主题可信度、 发布者 可信度、 传播者可信度和预测分类结果计算分类模型 的训练损失， 进而通过训练损失进行 反向传播以优化模型参数； S3： 将检测模型输出的预测分类结果作为待检测新闻文本的虚假检测结果。 2.如权利要求1所述的基于主题和结构感知神经网络的虚假新闻检测方法， 其特征在 于： 步骤S2中， 通过如下步骤生成新闻文本的语义表示： S201： 将新闻文本的每 个单词嵌入到低维 实值向量中， 得到新闻文本的词嵌入表示； S202： 将词嵌入表示输入卷积神经网络中， 提取新闻文本的语义表示。 3.如权利要求1所述的基于主题和结构感知神经网络的虚假新闻检测方法， 其特征在 于： 步骤S2中， 通过如下步骤生成新闻文本的主题 表示： S211： 通过词袋向量表示 新闻文本； S212： 通过编码器将词袋向量 转换为潜在向量； S213： 加入以潜在向量 为条件的解码器来重构词袋向量， 生成新闻文本的主题 表示。 4.如权利要求1所述的基于主题和结构感知神经网络的虚假新闻检测方法， 其特征在 于： 步骤S2中， 将新闻文本的语义表示和主题表示输入至主题对比网络进 行融合， 得到主题 角度新闻表示； 式中： 表示新闻文本的主题角度新闻表示； mi表示新闻文本的语义表示； θi表示新 闻文本的主题表示； fc(·)表示主题对比网络的对比函数； Wθ表示从主题 级表示空 间转换到 短语级表示空间的变换矩阵； 通过如下公式表示主题对比网络： fc(x,y)＝[x； y； x ‑y； x⊙y]Wc+bc； 式中： fc(x,y)表示主题对比网络； 表示变换矩阵； ⊙表示元素乘积； 表示偏置向量； x、 y表示两个不同的向量表示； 通过如下公式计算主题可信度： 式中： pi(c)表示主题可信度； 表示变换矩阵； bt表示偏置向量。 5.如权利要求1所述的基于主题和结构感知神经网络的虚假新闻检测方法， 其特征在 于： 步骤S2中， 通过如下步骤生成新闻文本的发布者表示：权　利　要　求　书 1/4 页 2 CN 115269854 A 2S221： 基于新闻文本的发布者构造对应的发布者异构图； S222： 将发布者异构图输入至扩展的多头注意力网络， 输出对应的发布者表示； 式中： Hl表示发布者表示； Dp和Dn表示对角矩阵， 是第l∈[1,h]个头的可训练参 数； h表示多 头注意力中的头数； Apn表示发布者对应的邻接矩 阵； N表示 新闻的初始化表示； d为向量维度大小； S223： 将多头注意力 网络输出的发布者表示进行拼接并输入至全连接层， 得到新闻文 本最终的发布者表示； P′＝ELU([H1； H2；…； Hl]Wα)+P； 式中： P′＝(p′1,p′2,…,p′|P|)表示用于训练的新闻集中所有新闻文本的发布者表示； 是第i个新闻文本mi的发布者表示； [； ]表示拼接运算 符； 表示线性变 换 矩阵； ELU表示激活函数； P表示发布者的初始化表示。 6.如权利要求1所述的基于主题和结构感知神经网络的虚假新闻检测方法， 其特征在 于： 步骤S2中， 通过如下步骤生成传播 者表示： S231： 基于新闻文本的传播 者构造对应的传播 者异构图； S232： 将传播 者异构图输入至扩展的多头注意力网络， 输出对应的传播 者表示； S233： 将多头注意力 网络输出的传播者表示进行拼接并输入至全连接层， 得到最终所 有的传播 者表示； S234： 通过注意力机制聚合一个新闻文本对应的各个传播者表示， 得到当前新闻文本 的传播者表示。 7.如权利要求1所述的基于主题和结构感知神经网络的虚假新闻检测方法， 其特征在 于： 步骤S2中， 将新闻文本的发布者表示和传播者表 示输入至结构对比网络进 行融合， 得到 用户角度新闻表示； 式中： 表示新闻文本的用户角度新闻表示； p ′i表示新闻文本的发布者表示； u ′i表 示新闻文本的传播 者表示； fe(·)表示结构对比网络的对比函数； 其中， 通过如下公式表示结构对比网络： fe(x,y)＝[x； y； x ⊙y； x‑y]We+be； 式中： fe(x,y)表示结构对比网络； 和 均表示可训练参数； x、 y表示 两个不同的向量表示。 8.如权利要求7所述的基于主题和结构感知神经网络的虚假新闻检测方法， 其特征在 于： 步骤S2中， 拼接新闻文本的主题角度新闻表示和用户角度新闻表示得到最 终新闻表 示， 并将最终新闻表示输入至softmax层， 输出新闻文本的预测分类结果； 式中： p(mi)表示新闻文本的类 型概率分布， 即预测分类 结果； 表示拼接 得 到的最终新闻表示； 表示变换矩阵； 表示偏置项； |y|表示新闻标签权　利　要　求　书 2/4 页 3 CN 115269854 A 3