-
公开(公告)号：CN111177554B
公开(公告)日：2022-12-09
申请号：CN201911378243.8
申请日：2019-12-27
Applicant: 西安交通大学
IPC: G06F16/9535 , G06F40/30 , G06N3/04
Abstract: 本发明提供一种基于生成对抗学习的可解释探索的假新闻识别系统及方法，通过对抗网络激励生成模型与冲突发现机制发掘新闻评论中充满争议性内容，通过自我调节约束机制保持真假新闻下评论之间的差异性，生成了证据丰富的假新闻样本集用于假新闻识别。从评论中发现假新闻的证据，不但提高了假新闻识别的准确率，而且能够解释假新闻的问题所在。
-
公开(公告)号：CN112650851A
公开(公告)日：2021-04-13
申请号：CN202011587811.8
申请日：2020-12-28
Applicant: 西安交通大学
IPC: G06F16/35 , G06F40/205 , G06F40/279 , G06N3/04 , G06N3/08 , G06N5/04 , G06Q50/00
Abstract: 本发明公开了一种基于多层次交互式证据生成的虚假新闻识别系统及方法，通过设计两个渐进式编译码层次生成，以生成虚假新闻背后的真相作为验证结果的解释。本发明推理生成利用局部推理促使了新闻的虚假部分以及冲突之间的深层理解，以聚焦如何揭示假新闻背后的真实虚假部分；本发明具有可拆解性，可将本发明的三个生成模块解耦训练利用，具有模型泛化能力和任务阶段性训练能力；在两个公开的、广泛使用的假新闻数据集上实验表明，本发明比以前的最先进的方法取得了更好的性能。
-
公开(公告)号：CN111581980A
公开(公告)日：2020-08-25
申请号：CN202010373492.4
申请日：2020-05-06
Applicant: 西安交通大学
Abstract: 本发明公开了一种基于决策树与共同注意力协作的假新闻检测系统及方法，本发明从一个新角度，提供了一种传统透明的机器学习与神经网络模型相结合的方法，提出了一种基于决策树与共同注意力协作的可解释性假新闻检测方法，来透明地捕获有力的细粒度证据并通过这些证据来发掘假新闻的虚假部分。本发明不仅提高了假新闻检测性能，还提供了检测过程的透明性以及检测结果的可解释性。本发明为假新闻检测任务提出了一种透明的、可解释的方案，该方案将决策树模型合并到共同注意网络中，不仅可以提供可解释索赔验证的证据，同时通过判决条件对证据形成过程进行了解释。本发明具有可拆解性，可将本发明的两个模块解耦训练利用，具有模型泛化能力和任务阶段性训练能力。
-
公开(公告)号：CN111581395A
公开(公告)日：2020-08-25
申请号：CN202010373485.4
申请日：2020-05-06
Applicant: 西安交通大学
IPC: G06F16/36 , G06F16/35 , G06F40/284 , G06N20/00
Abstract: 本发明公开了一种基于深度学习的模型融合三元组表示学习系统及方法，使用预训练的BERT语言模型对单词进行嵌入表示，获取了单词更加语境化的表示；同时利用BERT结构的掩蔽语言建模任务将其三元组作为序列输入；本发明对于同实体多种语义的问题，利用投影或者转换矩阵使得映射实体关系在不同领域上能够有不同的表示，但是本发明中改造后的BERT可以将三元组或其描述信息作为文本输入并一同训练，而BERT本身的机制会对实体关系在不同句子中会有不同的词向量，有效解决了实体关系不同语义的问题，因此选择TransE不会受限于其模型本身，反而其模型的足够简单才真正反映了三元组之间的对应关系。同时降低了模型的复杂度。
-
公开(公告)号：CN111488734A
公开(公告)日：2020-08-04
申请号：CN202010292143.X
申请日：2020-04-14
Applicant: 西安交通大学
IPC: G06F40/211 , G06F40/30 , G06F16/35 , G06N3/04
Abstract: 本发明公开了一种基于全局交互和句法依赖的情感特征表示学习系统及方法，通过上下文和评价对象的信息交互、单词句法依赖关系的引入以及特征联合学习；本发明使用预训练的多层语言模型对单词进行嵌入表示，获取了单词更加语境化的表示；同时利用BERT结构的优越性使用期双句任务模式解决以往方法上下文和评价对象独立建模导致的交互不充分问题；本发明提出了图依赖注意力网络，解决了图注意力网络没有区分不同依赖关系影响的问题，同时合理的将评论的句法关系建模进模型中，使得单词表示带有句法依赖信息；本发明使用了特征联合学习方法，充分的使评论的交互信息和句法依赖信息相结合，从而提升了评价对象情感分析的准确性。
-
Patent Agency Ranking
公开(公告)号：CN110866542A
公开(公告)日：2020-03-06
申请号：CN201910989654.4
申请日：2019-10-17
Applicant: 西安交通大学
Abstract: 本发明公开了一种基于特征可控融合的深度表示学习方法，在基于预训练的多层语言模型中获取单词情境化的嵌入表示的基础上，分别从局部和序列角度获取不同尺度的特征表示，并且提出了使用多头交互线性注意力机制提取上下文摘要实现单词的上下文信息表示。本发明使用预训练的多层语言模型对单词进行嵌入表示，获取了单词更加语境化的表示，解决了以往方法单词嵌入表示不够丰富，无法解决一词多义的问题；本发明提出了上下文摘要，使用多头交互线性注意力计算当前单词在整个句子影响下的特定表示来发现单词之间的差异以辅助评价对象挖掘；最后，本发明使用了门机制进行特征的筛选，为不同特征分配权重，加强了有用特征的影响。
-
公开(公告)号：CN112966069B
公开(公告)日：2023-05-19
申请号：CN202110045007.5
申请日：2021-01-13
Applicant: 西安交通大学
IPC: G06F16/33 , G06F40/211 , G06F40/284 , G06F40/30 , G06N3/0442 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种基于普遍认知与个体认知的虚假新闻检测系统及方法，包括：输入虚假新闻内容序列和若干相关文章序列；捕获一致性句子级序列并将其整合，生成自洽的全局证据序列；捕获相关文章的高层表示，并对其进行过滤，筛选出前k个具有差异性的相关文章，使得虚假新闻与每个筛选的相关文章进行互相交互，挖掘局部证据片段；惩罚生成的全局证据序列与局部证据片段之间的不一致性，实现可解释性虚假新闻的检测。本发明从普遍认知视角来探索相关文章中的全局自洽的证据，从个体认知视角挖掘相关文章中关键证据片段，借助一致性损失对两种证据特征进行约束，从而捕获公共可用的证据来进行可解释性虚假新闻检测。
-
公开(公告)号：CN111581979B
公开(公告)日：2022-08-16
申请号：CN202010373444.5
申请日：2020-05-06
Applicant: 西安交通大学
IPC: G06F40/30 , G06F40/216 , G06F40/284 , G06F40/289 , G06N20/00
Abstract: 本发明公开了一种基于证据感知分层交互注意网络的假新闻检测系统及方法，通过对证据碎片的捕获和来源可信度的融合来探讨更可信的证据语义，用于发现虚假新闻中的可疑部分，从而进行可解释性的假新闻检测。本发明不仅能捕获索赔中可疑的部分，而且能针对这些部分探索更可信的证据语义，增强了假新闻检测的可解释性；本发明的由自注意力及对称注意力构成的内部交互模块加强新闻语义与相关文章的深度交互与匹配，从而能够有效地获取关键证据碎片；本发明的全局推理模块不仅能够通过门控仿射变换从关键证据碎片中获取更可信的证据，而且能够通过全局交互推理缓解了极端语义对检测结果的影响。
-
公开(公告)号：CN111581967A
公开(公告)日：2020-08-25
申请号：CN202010374303.5
申请日：2020-05-06
Applicant: 西安交通大学
IPC: G06F40/289 , G06F40/30 , G06F40/211 , G06F40/216 , G06F40/126 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种联合LW2V与Triplet网络的新闻主题事件检测方法，本发明利用Triplet网络在样本有限的条件下无监督的实现新闻聚类，在网络中提取新闻标题添加主题信息，通过新闻标题和新闻正文的信息交互联合学习对主题信息进一步强化，克服了传统聚类技术在实现新闻主题聚类的缺点与不足。本发明使用Triplet网络作为新闻主题聚类的基础架构，可以在样本数量有限的条件下直接对样本进行比较实现模型的训练。该网络打破深度学习无法实现无监督过程的瓶颈。同时克服了深度学习在大量样本条件下对模型进行训练的先决条件。
-
公开(公告)号：CN111177554A
公开(公告)日：2020-05-19
申请号：CN201911378243.8
申请日：2019-12-27
Applicant: 西安交通大学
IPC: G06F16/9535 , G06F40/30 , G06N3/04
Abstract: 本发明提供一种基于生成对抗学习的可解释探索的假新闻识别系统及方法，通过对抗网络激励生成模型与冲突发现机制发掘新闻评论中充满争议性内容，通过自我调节约束机制保持真假新闻下评论之间的差异性，生成了证据丰富的假新闻样本集用于假新闻识别。从评论中发现假新闻的证据，不但提高了假新闻识别的准确率，而且能够解释假新闻的问题所在。
-
-
-
-
-
-
-
-
-
Search Results
34
records
(took 0.023 seconds)
