计算机软件及计算机应用论文_融合语义增

来稿应自觉遵守国家有关著作权法律法规，不得侵犯他人版权或其他权利，如果出现问题作者文责自负，而且本刊将依法追究侵权行为给本刊造成的损失责任。本刊对录用稿有修改、删节权。经本刊通知进行修改的稿件或被采用的稿件，作者必须保证本刊的独立发表权。一、投稿方式： 1、请从我刊官网直接投稿。 2、请从我编辑部编辑的推广链接进入我刊投审稿系统进行投稿。二、稿件著作权： 1、投稿人保证其向我刊所投之作品是其本人或与他人合作创作之成果，或对所投作品拥有合法的著作权，无第三人对其作品提出可成立之权利主张。 2、投稿人保证向我刊所投之稿件，尚未在任何媒体上发表。 3、投稿人保证其作品不含有违反宪法、法律及损害社会公共利益之内容。 4、投稿人向我刊所投之作品不得同时向第三方投送，即不允许一稿多投。 5、投稿人授予我刊享有作品专有使用权的方式包括但不限于：通过网络向公众传播、复制、摘编、表演、播放、展览、发行、摄制电影、电视、录像制品、录制录音制品、制作数字化制品、改编、翻译、注释、编辑，以及出版、许可其他媒体、网站及单位转载、摘编、播放、录制、翻译、注释、编辑、改编、摄制。 6、第5条所述之网络是指通过我刊官网。 7、投稿人委托我刊声明，未经我方许可，任何网站、媒体、组织不得转载、摘编其作品。

计算机软件及计算机应用论文_融合语义增

作者:

关键词:

摘要：

文章摘要:[目的]通过构建自动化检测模型来有效识别社交媒体中的虚假信息，探讨如何解决人工识别、单特征机器学习等现存方法中，难以兼顾海量数据处理的速度与准确性的问题。 [方法]分类模型是虚假信息监测的主流处理方法，但大多停留在文本语义或浅层情感等层面的特征提取，对于深层次语义特征增强方面的探索较为缺乏。本文以新浪微博社交平台为研究对象，以单一文本特征BFID模型（BERT False-Information-Detection，BFID）作为实验基准模型，提出了两种融合语义增强的虚假信息检测方法。 [结果]以单一文本特征BFID模型的结果为基线，提出的融合情感特征的BFID-SEN（BFID-Sentiment）模型在虚假信息识别的部分准确率上提升约1.6个百分点，而融合图片特征的BFID-IMG（BFID-Image）模型通过结合深度残差网络ResNet（Residual Neural Network， ResNet），在虚假信息识别的部分准确率上稳定提升约0.8个百分点。 [局限]由于融合情感特征的语料数量、情感类别与多模态虚假信息数据集有限，模型训练不充分，因此语义增强的融合效果有限。 [结论]本文提出的两种融合语义增强方法均能在一定程度上更好地识别虚假信息。

文章关键词:

项目基金: