买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉福州大学申请的专利动态传播特征增强的多模态谣言检测方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116383517B 。

龙图腾网通过国家知识产权局官网在2025-08-05发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310333838.1，技术领域涉及：G06F16/9536；该发明授权动态传播特征增强的多模态谣言检测方法及系统是由陈羽中;朱文龙设计研发完成，并于2023-03-31向国家知识产权局提交的专利申请。

本动态传播特征增强的多模态谣言检测方法及系统在说明书摘要公布了：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。

本发明授权动态传播特征增强的多模态谣言检测方法及系统在权利要求书中公布了：1.一种动态传播特征增强的多模态谣言检测方法，其特征在于，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； 所述步骤B具体包括以下步骤： 步骤B1：对训练数据集DS中的所有训练样本进行初始编码，得到文本初始表征向量Et、评论初始表征向量Er和用户初始表征向量Eu； 步骤B2：将文本初始表征向量Et和帖子中的图像分别输入到Text-CNN和ResNet50中得到帖子文本特征表征向量Ft和视觉特征表征向量Fv； 步骤B3：对帖子传播过程中的用户、源帖、评论及其相应交互关系进行建模，构建异构传播图G；将异构传播图G输入到多层动态异构图神经网络DyHGN中，DyHGN主要包括符号注意力机制和根节点增强模块，首先通过符号注意力机制得到节点ni与所有邻接节点的注意力系数向量A，然后将注意力系数作为权重来聚合所有邻接节点的信息，通过根节点增强后得到节点ni的信息表征向量Hl[ni]，最后经过L层DyHGN后得到节点ni的动态传播特征表征向量Fg； 步骤B4：将帖子的文本特征表征向量Ft和视觉特征表征向量Fv输入到共同注意力网络中，获得帖子文本和视觉的联合表征向量Ftv；再将帖子的文本特征表征向量Ft和动态传播特征表征向量Fg输入到共同注意力网络中，获得帖子文本和传播图的联合表征向量Ftg； 步骤B5：将步骤B4得到的帖子文本和视觉的联合表征向量Ftv和帖子文本和传播图的联合表征向量Ftg在自监督损失的情况下进行模态对齐操作，得到对齐后的文本视觉的联合表征向量和文本传播图的联合表征向量然后将模态对齐后的文本视觉联合表征向量和文本传播图联合表征向量输入到共同注意力网络中，得到帖子的多模态表征向量Ftvg； 步骤B6：将帖子的多模态表征向量Ftvg输入到全连接层中，获得到帖子的预测结果；然后根据目标损失函数loss，通过利用反向传播方法计算多模态谣言检测模型中各参数的梯度，并利用反向传播迭代更新模型的所有参数； 步骤B7：当多模态谣言检测模型每次迭代产生的损失值变化小于所给定阈值或者达到最大迭代次数时，则终止模型的训练过程； 所述步骤B3具体包括以下步骤： 步骤B31：对帖子传播过程中的用户、源帖、评论及其相应交互关系进行建模，构建异构传播图G＝V,E；其中，节点集V包含数据集DS中的所有帖子节点、评论节点、发布帖子的用户节点和发布评论的用户节点，边集合E包含发布和评论关系；并将步骤B1得到的文本初始表征向量Er、评论初始表征向量Er和用户初始表征向量Eu分别作为各对应节点的初始表征向量； 步骤B32：将异构传播图G＝V,E输入到多层动态异构图神经网络DyHGN中，DyHGN首先利用相对时间编码机制来建模异构传播图中的动态依赖关系，将节点的时间戳信息都考虑在内，对于图中的帖子节点ni和它的所有邻接节点集合其计算过程如下： RTEΔTni,n′j＝LinearPEΔTni,n′j 其中，Linear·为线性映射函数，ΔTni,n′j表示节点ni和节点n′j的相对时间间隔； 步骤B33：然后将相对于节点ni的时间编码加入到邻接节点n′j的表示中，得到节点n′j的初始表征向量其计算过程如下： 其中，n′j表示节点ni的第j个邻接节点； 步骤B34：通过步骤B33得到所有邻接节点的初始表征向量后，DyHGN为不同类型的节点和边分别设置了不同的线性映射函数和参数矩阵，通过参数共享为节点和边保留特定于自身类型的特性，分别计算节点ni和邻接节点的注意力权重，以表示不同邻接节点对节点ni的不同重要性，得到节点ni与所有邻接节点的注意力系数向量 其计算过程如下： 其中，τni表示节点si的类型，φe表示边e的类型；分别表示为τni类型和τn′ j类型节点的线性映射函数，表示φe类型边的参数矩阵； 步骤B35：DyHGN使用符号注意力机制来捕获相邻节点之间的正负相关性，以区分邻接节点对目标节点的影响；具体为：将步骤B34得到的注意力系数向量A进行反转得到注意力向量并通过softmax得到标准化权重向量A′和然后使用标准化权重对所有邻居节点的信息进行聚合，得到节点ni新的特征表征向量其计算过程如下： A′＝softmaxA 其中，Wg表示全连接层的参数矩阵，||表示拼接符号，σ·表示激活函数； 步骤B36：将节点ni新的特征表征向量通过根节点增强来更好地利用来自源节点的信息，得到更准确的节点表示Hl[ni]，其计算过程如下： 其中，为线性映射函数表示将节点ni映射回对应类别的特征空间中；最后将第L层DyHGN的输出结果作为最终输出，即重复执行L次步骤B32至步骤B36后得到节点ni的动态传播特征表示Fg； 所述步骤B5具体包括以下步骤： 步骤B51：将步骤B4得到的帖子文本和视觉的联合表征向量Ftv和帖子文本和传播图的联合表征向量Ftg在自监督损失的情况下进行模态对齐操作，采用均方损失作为自监督的损失函数，将两种模态映射在同一个特征空间中，得到对齐后的文本视觉的联合表征向量和文本传播图的联合表征向量并将对齐的损失函数表示为Lalign，其计算过程如下： 其中Wtv和Wtg表示可学习参数矩阵； 步骤B52：将对齐后的联合特征表示和输入到共同注意力网络中进行下一步的多模态融合，执行和步骤B41和步骤B42相同的操作，得到多媒体帖子的多模态特征表示Ftvg，其计算公式如下： 其中，CrossAtt·表示交叉注意力函数，SelfAtt·表示自注意力函数，Concat·表示拼接函数。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人福州大学，其通讯地址为：350108 福建省福州市闽侯县福州大学城乌龙江北大道2号福州大学；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。