(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 202210419381.1 (22)申请日 2022.04.20 (71)申请人 中国人民武装警察部队工程大 学 地址 710086 陕西省西安市三 桥武警路1号 (72)发明人 葛晓义　张明书　魏彬　刘佳　 姜文　 (74)专利代理 机构 深圳市精英专利事务所 44242 专利代理师 丁宇龙 (51)Int.Cl. G06F 40/279(2020.01) G06F 40/30(2020.01) G06F 16/35(2019.01) G06N 3/04(2006.01) (54)发明名称 基于多指针协同注意力的谣言检测方法及 装置 (57)摘要 本发明提供了一种基于多指针协同注意力 的谣言检测方法及装置， 方法包括， 将新闻内容 和用户评论的每个单词进行建模， 从而得到新闻 内容的句子向量及用户评论的句子向量， 并根据 两者的相关性筛选出多个相关性最高的用户评 论的句子向量， 使用词级注意力机制进行建模提 取出更细粒度的词级特征， 运行多指针组合机制 协同注意的模 型， 得到新闻内容和用户评论的输 出向量， 最后将新闻内容和用户评论的输出向量 输入多层感知器及用于预测新闻真实性的 softMax层， 得到新闻真实性预测结果。 本发明的 有益效果在于： 能够直接筛选出具体的关于新闻 内容真实性的可解释的信息 。 权利要求书5页 说明书12页 附图2页 CN 114841147 A 2022.08.02 CN 114841147 A 1.一种基于多指针协同注意力的谣言检测方法， 其特 征在于： 包括 步骤， S10、 将获取到的新闻内容通过双向GRU对新闻内容的每个单词进行建模， 并通过注意 力机制来学习新闻 内容中每 个句子的重要性， 从而获得新闻 内容的句子向量； S20、 将获取到的新闻内容的用户评论通过双向GRU对用户评论的每个单词进行建模， 并通过注意力机制来学习用户评论中每 个句子的重要性， 从而获得用户评论的句子向量； S30、 在嵌入层中， 根据用户评论的句子向量与新闻内容的句子向量之间的相关性， 从 用户评论数据库中选择多个相关性 最高的用户评论的句子向量； S40、 将新闻内容的句子向量及筛选出来的用户评论的句子向量使用词级注意力机制 进行建模， 提取 出新闻内容与用户评论的更细粒度的词级特 征； S50、 根据新闻内容与用户评论的更细粒度的词级特征， 运行多指针组合机制协同注意 的模型， 得到新闻 内容和用户评论的输出向量； S60、 将新闻内容和用户评论的输出向量进行连接后， 送进多层感知器及用于预测新闻 真实性的softMax层， 得到新闻真实性预测结果。 2.如权利要求1所述的基于多指针协同注意力的谣言检测方法， 其特征在于： 步骤S10 中， 将获取到的新闻内容通过双向GRU对新闻内容的每个单词进行建模中， 用到的公式如 下： 其中， 为向前隐藏状态， 为向后隐藏状态， n为新闻内容的单词数量， 为每个单 词， 为前向上一个隐藏状态， 为后向下一个隐藏状态， i为新闻中的单个句子， 则词的 特征表示为 通过注意力 机制来学习用户评论中每个句子的重要性， 从而获得用户评论的句子向量 用到的计算公式如下： 其中， 衡量第t个单词对新闻 内容s的重要性， 计算如下： 其中， 是通过完全嵌入层从隐藏状态 获得的隐藏表 示， Ww， bw是可训练的参数， 为 权重， 表示第k个单词的隐藏状态。 3.如权利要求1所述的基于多指针协同注意力的谣言检测方法， 其特征在于： 步骤S20 中， 将获取到的新闻内容的用户评论通过双向GRU对用户评论的每个单词进 行建模， 用到的 公式如下： 权　利　要　求　书 1/5 页 2 CN 114841147 A 2其中， 为向前隐藏状态， 为向后隐藏状态， m为用户评论的单词数量， 为用户评 论中的每个词， 为前向上一个隐藏状态， 为后向上一个隐藏状态， j为用户评论中的 单个评论， 为单词的注释， 则词的特 征表示为 通过注意力机制来学习用户评论中每个句子的重要性， 从而获得用户评论的句子向 量， 用到的公式如下： 其中 衡量第t个单词对评论cj的重要性， 计算如下： 其中， 是通过将隐藏状态 馈送到完全嵌入层获得的隐藏表示， Wc， bc是可训练 的参 数， 为权重， 表示第k个单词的隐藏状态。 4.如权利要求1所述的基于多指针协同注意力的谣言检测方法， 其特征在于： 步骤S30 包括， 构 建 新 闻 内 容 的 特 征 矩阵 和 用 户评 论 的 特 征 矩阵 计算亲和力矩阵 如下， X＝F(S)TQF(C) 其中， 是通过训练的权重矩阵,S为谣 言文本矩阵， C为用户评论矩阵， X为亲和 力矩阵， F( ·)是一个带l层的前馈神经网络函数； 通过计算亲和度矩阵X的行和列的最大值， 并用它们对原始 的新闻内容和用户评论进 行加权， 得到多个相关性 最高的用户评论的句子指针向量。 5.如权利要求1所述的基于多指针协同注意力的谣言检测方法， 其特征在于： 步骤S40 包括， 计算 和 之间的相似度矩阵， 计算亲和力矩阵Y如下： 其中， 通过句子指针向量得到选择的新闻内容句子的特征矩阵 和用户评论的特征矩 阵 是通过训练的权重矩阵， F( ·)是一个带l层的前馈神经网络函数， 对于指 针的新闻内容的用户评论， 使用相似度 矩阵来计算协同注意的表示， 其中使用均值池化， 描 述如下： 和 S(·)是标准的softmax函数， 使用平均池和softmax函数直接实现词级协同注意机制权　利　要　求　书 2/5 页 3 CN 114841147 A 3