公开(公告)号：CN116665093B

公开(公告)日：2024-12-27

申请号：CN202310563249.2

申请日：2023-05-18

Applicant: 吉林大学

Inventor： 李熙铭 ,  王兵 ,  李长春

IPC: G06V20/40 ,  G06V10/80 ,  G06V20/62 ,  G06V10/774 ,  G06V10/764

Abstract: 本发明提供一种解决特征中和效应的多模态虚假新闻检测方法及装置，所述方法包括：对于多模态虚假新闻检测任务，给定训练数据集；所述训练数据集包括多组图像模态和文本模态的内容；使用深度学习模型对图像模态和文本模态的内容进行特征提取，并映射到同一特征空间，得到每组中图像模态和文本模态的深层特征，形成特征对；获取两个模态对应的单模态真实性预测结果；对于每个特征对，结合单模态真实性预测结果，将特征对融合为一个多模态特征；对多模态特征的真实性进行预测。本发明能够解决多模态特征融合导致的中和效应问题，提高虚假新闻检测的准确率。

公开(公告)号：CN117251756A

公开(公告)日：2023-12-19

申请号：CN202310934749.2

申请日：2023-07-27

Applicant: 吉林大学

Inventor： 李熙铭 ,  张丙杰 ,  李长春 ,  王一鸣 ,  王兵 ,  杨智尧

IPC: G06F18/2337 ,  G06F18/2135

Abstract: 本发明提供一种基于去冗余和密度约束的模糊均值聚类方法及系统，涉及机器学习技术领域，包括：基于传统PCA降维原理，构建去冗余算法PCAW算法；通过PCAW算法去除冗余；对去除冗余后的数据，计算出每个数据点的密度；将每个数据点中关于所有簇的隶属度之和由1改为数据点的密度值函数，根据初始化聚类中心更新隶属度；基于更新后的隶属度，对聚类中心进行更新，判断更新后的聚类中心函数是否满足收敛条件，若不满足，则依次对隶属度和聚类中心进行更新。若满足则完成聚类。针对冗余特征、噪声点和异常值造成模糊聚类算法性能下降问题，提出PCAW去冗余方法和密度约束，去除冗余特征并抑制噪声点和离群点在更新聚类中心时的作用，从而提高聚类精度。

公开(公告)号：CN116702748A

公开(公告)日：2023-09-05

申请号：CN202310656359.3

申请日：2023-06-05

Applicant: 吉林大学

Inventor： 李熙铭 ,  王兵 ,  李长春 ,  王一鸣

IPC: G06F40/205 ,  G06F40/216 ,  G06F40/30 ,  G06N3/045 ,  G06N3/094 ,  G06N3/088 ,  G06N3/0464 ,  G06F40/194

Abstract: 本发明涉及自然语言处理，特别是指一种无监督句子表示方法及装置，所述方法包括：输入待表示的文本句子；使用优化策略优化训练完成的预训练语言模型，对所述待表示的文本句子进行无监督句子表示，所述优化策略包括：基于对抗训练的策略和基于信息理论的不完整句子检测策略的策略。采用本发明，能够克服预训练语言模型因为存在各项异性问题而导致的无监督句子表示的相似性偏差和信息偏差的问题，更好地进行无监督句子表示。

公开(公告)号：CN117648602A

公开(公告)日：2024-03-05

申请号：CN202311582355.1

申请日：2023-11-24

Applicant: 吉林大学

Inventor： 李长春 ,  代渊超 ,  李熙铭 ,  欧阳继红

IPC: G06F18/24 ,  G06V10/764 ,  G06V20/70 ,  G06N20/20

Abstract: 本发明涉及计算机应用技术领域，特别是指一种基于联合学习框架的Wasserstein偏多标记学习方法及装置。一种基于联合学习框架的Wasserstein偏多标记学习方法包括：根据不可靠众包的标记图像，获得带有噪声图像；将带有噪声图像进行数据转换，获得矩阵数据；对矩阵数据进行预处理，获得处理后矩阵数据；基于联合学习框架以及Wasserstein距离进行模型构建，获得多标签分类模型；使用处理后矩阵数据，对多标签分类模型进行训练，获得最优多标签分类模型；获取待标记图像；将待标记图像输入最优多标签分类模型，获得标注图像。本发明是一种基于噪声标签的产生原因和改进欧氏距离的准确、高效的偏多标记学习方法。

公开(公告)号：CN116665093A

公开(公告)日：2023-08-29

申请号：CN202310563249.2

申请日：2023-05-18

Applicant: 吉林大学

Inventor： 李熙铭 ,  王兵 ,  李长春

IPC: G06V20/40 ,  G06V10/80 ,  G06V20/62 ,  G06V10/774 ,  G06V10/764

Abstract: 本发明提供一种解决特征中和效应的多模态虚假新闻检测方法及装置，所述方法包括：对于多模态虚假新闻检测任务，给定训练数据集；所述训练数据集包括多组图像模态和文本模态的内容；使用深度学习模型对图像模态和文本模态的内容进行特征提取，并映射到同一特征空间，得到每组中图像模态和文本模态的深层特征，形成特征对；获取两个模态对应的单模态真实性预测结果；对于每个特征对，结合单模态真实性预测结果，将特征对融合为一个多模态特征；对多模态特征的真实性进行预测。本发明能够解决多模态特征融合导致的中和效应问题，提高虚假新闻检测的准确率。

公开(公告)号：CN117520813A

公开(公告)日：2024-02-06

申请号：CN202311392732.5

申请日：2023-10-25

Applicant: 吉林大学

Inventor： 李熙铭 ,  王兵 ,  李长春 ,  王一鸣

IPC: G06F18/213 ,  G06F18/214 ,  G06F18/24 ,  G06F40/30 ,  G06N3/0442 ,  G06N3/045 ,  G06N3/09

Abstract: 本发明公开了一种基于动态社会背景的虚假新闻检测的方法及装置，属于虚假新闻检测技术领域。所述方法包括：获取新闻训练集与初始的新闻动态背景表示矩阵，对初始的虚假新闻检测模型进行预训练，获得训练好的虚假新闻检测模型；将新闻训练集按照样本新闻的发布时间划分多个子集，对初始的新闻动态背景模型进行训练，获得训练好的新闻动态背景表示模型；根据训练好的新闻动态背景表示模型得到新闻动态背景表示真实值,对初始的时间序列模型进行训练，获得训练好的时间序列模型；基于待识别新闻、待识别新闻的发布时间以及时间序列模型与预先训练的虚假新闻检测模型，确定待识别新闻的真实性结果。采用本发明，可以提高虚假新闻真实性准确率。