本发明涉及一种动态传播特征增强的多模态谣言检测方法及系统,该方法包括以下步骤:步骤A:在社交媒体中收集多媒体帖子,提取出帖子中的文本、评论、图像和用户资料,并对帖子的真实性标签进行标注,以此构建训练数据集DS;步骤B:使用训练数据集DS训练具有动态传播特征增强的多模态谣言检测模型M,以利用模型M来分析帖子的真实性,并得出帖子的预测标签;步骤C:将未检测多媒体帖子的文本、评论、图像和用户资料输入到训练好的多模态谣言检测模型M中,获得多媒体帖子的真实性标签。该方法及系统有利于提高社交媒体中谣言检测的准确性和可靠性。

本发明采用的技术方案是：一种动态传播特征增强的多模态谣言检测方法，包括以下步骤：

步骤A：在社交媒体中收集多媒体帖子，提取出帖子中的文本、评论、图像和用户资料，并对帖子的真实性标签进行标注，以此构建训练数据集DS；

步骤B：使用训练数据集DS训练具有动态传播特征增强的多模态谣言检测模型M，以利用模型M来分析帖子的真实性，并得出帖子的预测标签；

步骤C：将未检测多媒体帖子的文本、评论、图像和用户资料输入到训练好的多模态谣言检测模型M中，获得多媒体帖子的真实性标签。

谣言检测(Rumor Detection)，又称虚假新闻检测，是自然语言处理(NLP)领域中一项重要的研究任务。随着社交媒体的兴起，微博、Twitter等社交媒体已经成为人们不可缺少的交流工具。但由于社交媒体传播速度快且范围广，谣言已逐渐成为人们关注的重要问题。在社交媒体中，谣言是一种未经证实的信息表述，通常会使用虚假或者伪造的图像以及煽动性的文字误导用户。谣言的出现常常会给个人或社会造成巨大的经济损失和严重的危害。虽然各社交媒体机构已陆续上线了辟谣平台来加强对谣言的管控，但这些平台仍需要耗费大量人力物力收集信息来判断谣言的真实性。因此，迫切需要一种能够有效检测谣言的自动化方法。

由于深度学习方法相较于传统机器学习方法具有很大的性能优势，越来越多的研究学者开始将深度学习方法应用到谣言检测问题中。深度神经网络能够自动学习质量更高、更具有本质代表性的数据特征，例如卷积神经网络和循环神经网络。卷积神经网络可以从文本中捕获局部的语义信息，因此一些研究学者将其应用于基于文本内容的谣言检测中。但是，卷积神经网络往往不能充分学习文本句子中的上下文信息，而上下文信息对于理解文本的整体语义来说非常的重要。因此基于卷积神经网络的谣言检测模型在性能上受到了限制。为了解决这个问题，一些研究学者提出利用循环神经网络来提取文本中的上下文语义信息，例如长短期记忆(LSTM)和门控循环单元(GRU)等。与卷积神经网络不同，循环神经网络将句子视为一个单词序列，按时间顺序选取每个单词，将隐藏层的输出作为下一个隐藏层的输入，不断学习序列数据中的上下文信息，能够让模型很好地理解句子的整体语义，提高谣言检测的性能。尽管基于循环神经网络的谣言检测模型在性能上取得了一定的突破，但是仍然存在一些缺陷。这种方法只利用了文本信息来检测谣言，忽略了谣言传播过程的拓扑关系。

发明人：陈羽中 朱文龙

福州大学（Fuzhou University），简称福大，位于福建省福州市，创建于1958年，是国家“双一流”建设高校，国家“211工程”建设高校，国家教育部、国家国防科技工业局与福建省人民政府共建高校，福建省三所重点建设的高水平大学之一，福建省一流大学建设高校，入选国家建设高水平大学公派研究生项目、教育部首批“卓越工程师教育培养计划”高校、新工科研究与实践项目、数据中国“百校工程”项目、国家“111计划”、“高校国际化示范学院推进计划”、国家级大学生创新创业训练计划、全国首批深化创新创业教育改革示范高校、中国政府奖学金来华留学生接收院校、全国专业学位研究生教育综合改革试点单位、国家集成电路人才培养基地、首批高等学校科技成果转化和技术转移基地、高校国家知识产权信息服务中心。

与现有技术相比，本发明具有以下有益效果：提供了一种动态传播特征增强的多模态谣言检测方法及系统，该方法及系统通过构建具有动态传播特征增强的多模态谣言检测模型，基于动态传播特征增强对帖子进行多模态表征，并融合多模态特征，进而对帖子的真实性进行判断，提高了社交媒体中帖子谣言检测的准确性和可靠性，具有很强的实用性和广阔的应用前景。

当前专利未经权利人许可不得实施，希望将科技成果转让给研发实力雄厚的企业，由受让人对科技成果实施转化。交易的是科技成果中的知识产权，可以包括专利权、专利申请权、技术秘密等。科技成果转让后，转让方获得转让费，不再是科技成果的所有人；受让方向转让方支付转让费，并成为科技成果的新的所有人。