-
公开(公告)号：CN113254652B
公开(公告)日：2021-09-17
申请号：CN202110746155.X
申请日：2021-07-01
Applicant: 中南大学
IPC: G06F16/35 , G06F16/901 , G06F40/30 , G06Q50/00 , G06N20/00
Abstract: 本发明涉及贴文检测的技术领域，公开了一种基于超图注意力网络的社交媒体贴文真实性检测方法，具体包括如下步骤：S1：对社交媒体贴文文本数据的数据预处理，划分为会话，回复分支，帖子的层级结构；S2：对经S1处理后的社交媒体贴文文本数据进行帖子属性特征提取；S3：对经S1处理后的社交媒体贴文文本数据进行帖子文本嵌入；S4：将S2和S3得到的向量拼接，作为超图结构的图节点；S5：将回复分支作为超边，超边与图节点组成的集合，共同构成超图，将超图结构的特征输入图注意力网络学习，从而构建超图注意力网络模型；S6：将S5中超图注意力网络模型用于预测源帖的真实性。本发明构建超图注意力模型，提高模型表达能力。
-
Patent Agency Ranking
公开(公告)号：CN113254652A
公开(公告)日：2021-08-13
申请号：CN202110746155.X
申请日：2021-07-01
Applicant: 中南大学
IPC: G06F16/35 , G06F16/901 , G06F40/30 , G06Q50/00 , G06N20/00
Abstract: 本发明涉及贴文检测的技术领域，公开了一种基于超图注意力网络的社交媒体贴文真实性检测方法，具体包括如下步骤：S1：对社交媒体贴文文本数据的数据预处理，划分为会话，回复分支，帖子的层级结构；S2：对经S1处理后的社交媒体贴文文本数据进行帖子属性特征提取；S3：对经S1处理后的社交媒体贴文文本数据进行帖子文本嵌入；S4：将S2和S3得到的向量拼接，作为超图结构的图节点；S5：将回复分支作为超边，超边与图节点组成的集合，共同构成超图，将超图结构的特征输入图注意力网络学习，从而构建超图注意力网络模型；S6：将S5中超图注意力网络模型用于预测源帖的真实性。本发明构建超图注意力模型，提高模型表达能力。
-
公开(公告)号：CN112749274A
公开(公告)日：2021-05-04
申请号：CN201911045593.2
申请日：2019-10-30
Applicant: 中南大学
IPC: G06F16/35 , G06F16/33 , G06F40/289 , G06N3/04 , G06N3/08
Abstract: 本发明提供一种基于注意力机制和干扰词删除的中文文本分类方法，包括步骤一对原始中文文本语料做预处理；步骤二将处理为词嵌入的语料输入双向LSTM层中提取文本特征得到文本表达；步骤三通过注意力机制提取重要词特征；步骤四将注意力机制标记出的重要词特征筛选排序；步骤五计算将预测结果切换到另一个类的异常干扰词，定位这种干扰词，做删除屏蔽的处理；步骤六用删除定量干扰词的方式调整训练分类器，并反向训练文本表达，得到训练参数；步骤七模型测试，将测试集词向量构成的词嵌入矩阵输入到训练好的模型中，得到概率矩阵后，输入分类器输出文本类别，最后与真实值比较得到预测值的精确度。本发明在提高中文文本分类的准确性的同时，评估删除屏蔽干扰词对分类的影响，增加了分类器的可解释性。
-
公开(公告)号：CN112749274B
公开(公告)日：2022-11-18
申请号：CN201911045593.2
申请日：2019-10-30
Applicant: 中南大学
IPC: G06F16/35 , G06F16/33 , G06F40/289 , G06N3/04 , G06N3/08
Abstract: 本发明提供一种基于注意力机制和干扰词删除的中文文本分类方法，包括步骤一对原始中文文本语料做预处理；步骤二将处理为词嵌入的语料输入双向LSTM层中提取文本特征得到文本表达；步骤三通过注意力机制提取重要词特征；步骤四将注意力机制标记出的重要词特征筛选排序；步骤五计算将预测结果切换到另一个类的异常干扰词，定位这种干扰词，做删除屏蔽的处理；步骤六用删除定量干扰词的方式调整训练分类器，并反向训练文本表达，得到训练参数；步骤七模型测试，将测试集词向量构成的词嵌入矩阵输入到训练好的模型中，得到概率矩阵后，输入分类器输出文本类别，最后与真实值比较得到预测值的精确度。本发明在提高中文文本分类的准确性的同时，评估删除屏蔽干扰词对分类的影响，增加了分类器的可解释性。
-
公开(公告)号：CN112685541B
公开(公告)日：2021-05-25
申请号：CN202110269307.1
申请日：2021-03-11
Applicant: 中南大学
IPC: G06F16/33 , G06F16/35 , G06F16/9536 , G06F40/205 , G06F40/216 , G06F40/284 , G06F40/30 , G06K9/62 , G06N3/04 , G06N3/08 , G06Q50/00
Abstract: 本发明涉及一种基于多任务学习的社交媒体谣言检测方法，具体包括如下步骤：S1：对语料进行数据提取及格式转换，获取帖子的源、回复及传播路径；S2：提取行文风格的特征；S3：提取用户置信度的特征；S4：对来源帖子及回复帖子中的文本部分做文本预处理,来输入后续任务；S5：将S2和S3提取到的特征与S4的文本表示做向量拼接；S6：将拼接后的向量放入一个共享的BERT层；S7：分别构建神经网络结构；S8：将S5处理后的数据输入神经网络结构中，输出立场分类和谣言分类。本发明能用多任务联合模型联合两个高度相关的任务，改进了谣言检测和立场分类任务，提高了谣言检测性能。
-
公开(公告)号：CN112685541A
公开(公告)日：2021-04-20
申请号：CN202110269307.1
申请日：2021-03-11
Applicant: 中南大学
IPC: G06F16/33 , G06F16/35 , G06F16/9536 , G06F40/205 , G06F40/216 , G06F40/284 , G06F40/30 , G06K9/62 , G06N3/04 , G06N3/08 , G06Q50/00
Abstract: 本发明涉及一种基于多任务学习的社交媒体谣言检测方法，具体包括如下步骤：S1：对语料进行数据提取及格式转换，获取帖子的源、回复及传播路径；S2：提取行文风格的特征；S3：提取用户置信度的特征；S4：对来源帖子及回复帖子中的文本部分做文本预处理,来输入后续任务；S5：将S2和S3提取到的特征与S4的文本表示做向量拼接；S6：将拼接后的向量放入一个共享的BERT层；S7：分别构建神经网络结构；S8：将S5处理后的数据输入神经网络结构中，输出立场分类和谣言分类。本发明能用多任务联合模型联合两个高度相关的任务，改进了谣言检测和立场分类任务，提高了谣言检测性能。
-
-
-
-
-
Search Results
6
records
(took 0.017 seconds)
