谣言检测常用资料

已于 2022-03-11 09:23:58 修改
阅读量1.9k 收藏 37
点赞数 4
分类专栏： 仅供了解 文章标签： 深度学习 计算机视觉 人工智能
于 2020-11-05 10:58:23 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/YPP0229/article/details/109503125
版权

文章目录

经典论文

Embedding

简单来说，embedding就是用一个低维的向量表示一个物体，可以是一个词，或是一个商品，或是一个电影等等。这个embedding向量的性质是能使距离相近的向量对应的物体有相近的含义，Embedding能够用低维向量对物体进行编码还能保留其含义的特点非常适合深度学习

  • Text Embedding

图神经网络训练

  • 神经网络中Batch Size的理解：https://www.cnblogs.com/yibeimingyue/p/11697761.html

  • Epoch、Batch Size和迭代：
    比如对于一个有 2000 个训练样本的数据集。将 2000 个样本分成大小为 500 的 batch，那么完成一个 epoch 需要 4 个 iteration。

  • 如何估算深度神经网络的最优学习率：https://www.jiqizhixin.com/articles/2017-11-17-2

  • Adam算法:
    深度学习模型通常由随机梯度下降算法进行训练。随机梯度下降算法有许多变形：例如 Adam、RMSProp、Adagrad 等等。这些算法都需要你设置学习率。学习率决定了在一个小批量（mini-batch）中权重在梯度方向要移动多远。

  • 交叉验证：https://www.cnblogs.com/pinard/p/5992719.html
    1.将所有数据集分成5份

    2.不重复地每次取其中一份做测试集，用其他四份做训练集训练模型，之后计算该模型在测试集上的: M S E i MSE_i MSEi​

    3.将5次的 M S E i MSE_i MSEi​取平均得到最后的MSE

全连接层

文本处理知识

图神经网络

麦地与诗人
关注
  • 4
    点赞
  • 踩
  • 37
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
联合嵌入异构图的局部关系和全局关系进行谣言检测
山楂的博客
06-02 523
阅读Jointly embedding the local and global relations of heterogeneous graph for rumor detection论文的理解 联合嵌入异构图的局部关系和全局关系进行谣言检测 论文出处：IEEE ICDM 2019 原文链接 摘要: 社交媒体的发展彻底改变了人们交流、分享信息和决策的方式，但它也为发布和传播谣言提供了一个理想的平台。现有的谣言检测方法侧重于从文本内容、用户配置文件和宣传模式中寻找线索。然而，以往的研究并没有很好地利用消息传
谣言检测论文分享（一）
weixin_41964296的博客
03-26 1630
传统方法：主要采用用户特征、文本内容和传播模式等手工特征来训练有监督的分类器。如，决策树，随机森林，SVM等。然而，这些方法主要依赖于特征工程，非常耗时耗力。此外，这些手工设计的特征通常缺乏从谣言传播和散布过程中提取的更高层的表示。近期研究：利用了深度学习方法，从传播路径/树或网络中挖掘高级表示来识别谣言。许多深度学习模型，如长短期记忆（LSTM）、门控递归单元（GRU）和递归神经网络（RvNN）被使用，因为它们能够从谣言的时间传播中学习顺序特征。
探索社交网络中的谣言检测：双向图卷积网络的力量
最新发布
gitblog_00023的博客
06-08 310
探索社交网络中的谣言检测：双向图卷积网络的力量 项目地址:https://gitcode.com/TianBian95/BiGCN 在当今信息爆炸的时代，社交媒体成为了新闻传播的快速车道，但同时也孕育了谣言的滋生地。为了在这片混乱中寻找真相的灯塔，清华大学等机构的研究者们推出了一款基于双向图卷积网络（Bi-Directional Graph Convolutional Networks, 简称Bi...
谣言检测论文分享（八）A Survey on Fake News and Rumour Detection Techniques
weixin_41964296的博客
06-05 1117
主要介绍开展谣言检测或假新闻检测的背景和研究意义。社交媒体在新闻传播中具有突出作用。一方面新闻记者可能会利用社交媒体报道公众对突发新闻事件的看法，甚至发现潜在的新故事；另一方面，公民可能会通过官方渠道(即新闻机构在社交媒体平台上的官方账号)或通过自己的网络(如朋友、家人、公众人物)的帖子来关注突发新闻和事件的发展。然而对帖子缺乏控制和事实核查使社交媒体成为传播未经证实和/或虚假信息的沃土[111]。人们经常发布或分享他人的帖子，既不验证消息来源，也不验证信息的有效性和可靠性。
虚假新闻检测概述
m0_51474171的博客
09-05 7470
社交网络的新闻往往包括，，以及。其中新闻内容指的是文章中所包含的文本信息以及图片视频等多模态信息。社交上下文信息指的是新闻的发布者，新闻的传播网络，以及其他用户对新闻的评论和转发。外部知识指客观事实知识，通常由知识图谱表示外部知识。的定义是给定新闻文章的新闻内容，社交上下文内容，以及外部知识，去判断新闻文章的真假。
谣言检测论文精度——14.2019-Jointly embedding the local and global relations of heterogeneous graph
m0_51474171的博客
10-28 524
采用注意力机制和异构图网络建模来检测谣言
谣言检测基本知识
qq_45193988的博客
05-23 2434
文章目录前言一、谣言的定义二、谣言的分类三、谣言传播公式1、网络剪枝（Network Pruning）2、知识蒸馏（Knowledge Distillation）3、参数量化（Parameter Quantization）4、架构设计（Architecture Design）5、动态计算(Dynamic Computation)总结 前言    简单记录一下有关谣言检测的基本知识 一、谣言的定义     谣言，学术上所说的谣言指的是未经证实的言论（这和我们普遍意义上理解的，谣言是虚假的信息不同）
自动谣言检测综述分享——Automatic Rumor Detection on Microblogs: A Survey
weixin_41964296的博客
05-21 2438
谣言的传统定义来源于社会心理学[27]。也就是说，谣言是一种未经证实的说法，广泛传播，其真实价值未经证实或故意虚假。在这个定义下，一般的谣言被认为是一条信息，其真实性未经验证。未经证实的谣言是指未经权威或可信来源官方证实的信息，例如权威新闻机构或现场目击者。一般的谣言包括客观谣言和主观谣言。在不同的场景中，最好采用不同的定义。在社交媒体上，一般谣言经常被用来监控公众对争议事件的看法[28]。一般的谣言可能是名人的八卦，也可能是一种诽谤政治对手的竞选策略[4]，它吸引人们传播故事，而不是查明其真实性。
论文阅读-社交媒体上的谣言检测：数据集、方法和机会
qq_40671063的博客
12-30 5067
论文阅读-社交媒体上的谣言检测：数据集、方法和机会
谣言检测论文分享（九）LIAR数据集
weixin_41964296的博客
06-14 958
POLITIFACT.COM上收集了长达十年的12.8K的各种语境下的人工标记简短语句，该网站为每个案例提供了详细的分析报告和源文档链接包括12,836个简短陈述，根据真实性、主题、上下文/地点、演讲者、州、政党和之前的历史进行标记。具有如此大的容量和十年的时间跨度，说谎者比目前可用的资源要大一个数量级(Vlachos和Riedel, 2014;Ferreira和Vlachos, 2016)的相似类型。
毕业设计-基于深度学习的社交媒体谣言识别系统 python 人工智能
2301_79555157的博客
03-22 1088
毕业设计：基于深度学习的社交媒体谣言识别系统。通过深度学习和自然语言处理技术的结合，我们提出了一种创新的方法来识别社交媒体上的虚假信息。本研究为计算机毕业设计提供了一个有意义且具有挑战性的研究课题，结合了深度学习和计算机视觉技术。对于计算机专业、软件工程专业、人工智能专业和大数据专业的毕业生而言，这个课题能够为他们提供一个具有创新性的研究方向。不论您对深度学习技术保持浓厚兴趣，还是希望探索机器学习、算法或人工智能领域的同学，本研究将为您提供灵感和指导。
异构图注意力网络Heterogeneous Graph Attention Network ( HAN )
lbwnbdedede的博客
11-24 3070
异构图注意力网络Heterogeneous Graph Attention Network ( HAN )学习笔记。
大数据毕设 基于CNN实现谣言检测 - python 深度学习 机器学习
fawubio的博客
08-14 243
Hi，大家好，学长今天向大家介绍 一个深度学习项目基于CNN实现谣言检测。
谣言检测模型有哪些
weixin_35748962的博客
12-19 543
谣言检测模型主要分为两类：基于规则的模型和基于机器学习的模型。 基于规则的模型通常是由人类专家设计的规则集合，根据这些规则来判断消息是否属于谣言。这类模型的优点是精度高，但缺点是需要大量的人力来维护规则库，难以适应新的谣言形式。 基于机器学习的模型则是通过训练数据来学习识别谣言的模型，其优点是可以自动学习新的谣言形式，但缺点是需要大量的数据来训练模型，并且精度可能会比基于规则的模型低一些。 常见的...
谣言检测论文分享（七）A Survey on Natural Language Processing for Fake News Detection
weixin_41964296的博客
06-01 521
首先揭示了自动假新闻检测的重要性和定义。然后比较和讨论了最新的基准数据集和不同方法的实验结果。在此基础上，该文对未来的假新闻检测数据集提出了新的建议，并对未来的假新闻检测模型提出了以下建议:研究手工特征是否可以与神经网络模型结合、非文本数据的合理使用以及扩展基于内容的验证方式。
利用PaddlePaddle实现谣言自动化检测
sybh的博客
06-24 200
In [11]# 定义输入数据， lod_level不为0指定输入数据为序列数据定义了一个损失函数之后，还有对它求平均值，因为定义的是一个Batch的损失值。同时我们还可以定义一个准确率函数，这个可以在我们训练的时候输出分类的准确率。In [13]# 获取损失函数和准确率In [14]# 获取预测程序In [15]# 定义优化方法。
基于知识图谱表示学习的谣言早期检测方法
renhongxia1的博客
06-02 435
定义1 实体识别和关系抽取 实体识别和关系抽取的目的是，从非结构化的文本数据中发掘实体以及实体之间的关系，从而将非结构化的文本数据表示为结构化的三元组数据(h,r,t)，其中h表示头实体，t表示尾实体，r表示实体之间的关系.定义2 知识图谱表示学习 知识图谱表示学习的目的是，将知识图谱中的实体e∈ℰ 和关系r∈ℛ嵌入低维连续的向量空间，使得嵌入后的实体表示和关系表示能够满足知识图谱所描述的正确的事实ℱ+，从而简化知识图谱上的计算任务.知识图谱表示学习算法一般都可以分为三个步骤.
谣言检测数据集
qq_40671063的博客
12-31 7201
谣言检测数据集
谣言检测论文阅读 - Rumor Detection on Social Media with Bi-Directional Graph Convolutional Networks
qq_40671063的博客
01-04 1873
谣言检测论文阅读 - Rumor Detection on Social Media with Bi-Directional Graph Convolutional Networks
谣言检测transformer
01-20
谣言检测是指通过分析文本内容来判断该文本是否包含谣言或虚假信息。Transformer是一种基于注意力机制的神经网络模型，被广泛应用于自然语言处理任务中，包括谣言检测。 在谣言检测中，我们可以使用Transformer的编码器作为语义提取器。编码器将整个句子作为输入，并通过注意力机制和多层感知机（MLP）为每个字生成一个编码向量。这些编码向量包含了整个句子的语义信息。然后，我们可以将这些向量输入到全连接网络中进行分类，判断文本是否为谣言。 需要注意的是，由于Transformer的注意力机制可以同时处理整个句子，因此它具有较好的并行能力。然而，与循环神经网络（RNN）相比，Transformer缺少了上下文信息，即没有考虑到不同词之间的顺序。因此，在使用Transformer进行谣言检测时，需要注意这一点。 下面是一个基于PyTorch和Transformer实现谣言检测的示例代码： ```python import torch import torch.nn as nn import torch.optim as optim from torchtext.data import Field, TabularDataset, BucketIterator from torch.nn import TransformerEncoder, TransformerEncoderLayer # 定义模型 class RumorDetectionTransformer(nn.Module): def __init__(self, input_dim, hidden_dim, output_dim, n_layers, n_heads, dropout): super().__init__() self.embedding = nn.Embedding(input_dim, hidden_dim) self.encoder_layer = TransformerEncoderLayer(hidden_dim, n_heads) self.encoder = TransformerEncoder(self.encoder_layer, n_layers) self.fc = nn.Linear(hidden_dim, output_dim) self.dropout = nn.Dropout(dropout) def forward(self, text): embedded = self.embedding(text) embedded = embedded.permute(1, 0, 2) output = self.encoder(embedded) output = output.permute(1, 0, 2) pooled = torch.mean(output, dim=1) pooled = self.dropout(pooled) return self.fc(pooled) # 数据预处理 TEXT = Field(tokenize='spacy', lower=True) LABEL = Field(sequential=False, is_target=True) fields = [('text', TEXT), ('label', LABEL)] train_data, test_data = TabularDataset.splits( path='data', train='train.csv', test='test.csv', format='csv', fields=fields ) TEXT.build_vocab(train_data, vectors='glove.6B.100d') LABEL.build_vocab(train_data) # 模型训练 device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') BATCH_SIZE = 64 train_iterator, test_iterator = BucketIterator.splits( (train_data, test_data), batch_size=BATCH_SIZE, device=device ) INPUT_DIM = len(TEXT.vocab) HIDDEN_DIM = 100 OUTPUT_DIM = 1 N_LAYERS = 2 N_HEADS = 2 DROPOUT = 0.2 model = RumorDetectionTransformer(INPUT_DIM, HIDDEN_DIM, OUTPUT_DIM, N_LAYERS, N_HEADS, DROPOUT).to(device) optimizer = optim.Adam(model.parameters()) criterion = nn.BCEWithLogitsLoss().to(device) def train(model, iterator, optimizer, criterion): model.train() epoch_loss = 0 for batch in iterator: optimizer.zero_grad() text = batch.text label = batch.label.float() predictions = model(text).squeeze(1) loss = criterion(predictions, label) loss.backward() optimizer.step() epoch_loss += loss.item() return epoch_loss / len(iterator) def evaluate(model, iterator, criterion): model.eval() epoch_loss = 0 with torch.no_grad(): for batch in iterator: text = batch.text label = batch.label.float() predictions = model(text).squeeze(1) loss = criterion(predictions, label) epoch_loss += loss.item() return epoch_loss / len(iterator) N_EPOCHS = 10 best_valid_loss = float('inf') for epoch in range(N_EPOCHS): train_loss = train(model, train_iterator, optimizer, criterion) valid_loss = evaluate(model, test_iterator, criterion) if valid_loss < best_valid_loss: best_valid_loss = valid_loss torch.save(model.state_dict(), 'rumor_detection_transformer.pt') # 模型使用 model.load_state_dict(torch.load('rumor_detection_transformer.pt')) def predict_rumor(text): model.eval() tokenized = [tok.text for tok in TEXT.tokenizer(text)] indexed = [TEXT.vocab.stoi[t] for t in tokenized] tensor = torch.LongTensor(indexed).unsqueeze(1).to(device) prediction = torch.sigmoid(model(tensor)) return prediction.item() # 示例使用 text = "这是一条谣言" prediction = predict_rumor(text) print(f"谣言概率：{prediction}") ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值