专利交易市场

本发明提出了一种多领域虚假新闻读者认知检测方法，包括以下步骤：S1，采集虚假新闻，获得虚假新闻中与读者认知相关的关键特征，所述关键特征包括标题内容和/或头图、读者行为、对读者的影响和作者意图；S2，将虚假新闻输入MDRCD模型，通过MDRCD模型输出的认知标签判断公众认为虚假新闻是否为真，从而判断公众的认知结果是否正确。本发明提出MDRCD模型解决检测读者对于虚假新闻认知的问题。

本发明涉及基于情绪感知元学习的跨事件虚假新闻检测方法，它包括构建情绪感知元任务和事件自适应元任务；对情绪感知元任务进行加权元学习；将事件自适应元任务和经过加权元学习后的情绪感知元任务输入基本检测模型进行训练得到初步检测模型；使用目标事件数据对初步模型进行微调得到最优模型；将待检测帖子输入最优模型，输出该待检测帖子的预测标签。本发明将情绪深度融入元学习过程，从已有事件中学习细粒度的元知识，构建情绪感知任务，通过双层优化目标得到能使多个已有事件损失快速达到极小值的初始化参数，通过使模型参数对多个事件敏感，使模型在只有少量标记数据的情况下快速适应目标事件。

本发明属于文本分类技术领域，公开了一种自适应门控残差连接的相关性虚假新闻检测方法，本发明利用Electra编码器将新闻文档转换为词嵌入向量；将词嵌入向量输入到多尺度循环卷积神经网络中，提取全局或局部语义的词嵌入特征；并通过自适应门控残差连接得到关键词嵌入特征；在批样本中，利用文档级交叉注意力，根据新闻文档之间的相关性来给予新闻文档不同的影响权重，得到文档级交叉注意力的输出；并通过自适应门控残差连接获得最终文档特征；将最终文档特征送入分类器，分类器输出新闻检测结果。本发明通过使用自适应门控残差连接和文档级交叉注意力，可以提高虚假新闻检测任务的准确性和鲁棒性。

本发明公开了一种融合情感的共同注意网络多模态虚假新闻检测方法，该方法包括如下步骤：首先将新闻数据集进行清洗筛选之后，输入到特征提取器和特征编码器中获取各种深层次多模态特征，接下来将各种深层次多模态特征输入到共同注意融合网络和注意力机制模块中进行特征融合，最后将所得最终特征输入到预测分类模块中对新闻进行分类和预测，本发明通过对多模态信息由浅到深的特征提取提升了模型的性能、泛化能力和解释性，同时降低计算复杂度，并且利用共同注意融合网络以及注意力机制将多模态信息进行有效的融合以及在不同模态之间建立关联，使虚假新闻检测模型的分类和预测效果能够显著提升。

本发明公开了一种基于知识图谱检索的虚假新闻检测方法及系统，方法包括：将事实验证数据中的原始声明分为若干子声明，然后将第一证据答案与声明答案通过注意力机制进行相似度分析以获得标签预测概率；根据标签预测概率对子声明进行分类获得可信预测答案和不可信预测答案，对可信预测答案进行保留；对可信预测答案进行知识增强提取子图，根据子图来训练问题生成模型；通过训练后的问题生成模型为所述不可信预测答案所对应的问题生成第二问题；对第二问题进行预测获得第二证据答案；根据可信预测答案和第二证据答案进行虚假新闻检测；可以有效过滤噪声信息，提高了事实验证的准确性。

本发明属于虚假新闻检测技术领域，具体涉及一种基于伪孪生网络的虚假新闻检测方法，该方法的模型主要包括特征提取器和匹配网络，该方法具体步骤如下：1）对于输入的新闻数据，分别将文本数据和图像数据输入对应的特征提取器，获取文本和图像两个层次的特征；2）将学习到的文本和图像特征作为匹配网络的输入，匹配网络把它们映射到一个新的目标空间中，使用一个匹配度量函数进一步衡量两个特征在语义上的匹配程度；3）根据匹配网络的输出，进而预测新闻内容的真实性。本发明利用不同模态数据的匹配程度来检测虚假新闻，克服了以往的方法只能检测特定领域虚假新闻的弊端，使得多模态虚假新闻检测模型的领域适用性更强。