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！

龙图腾网获悉西北大学申请的专利一种基于跨模态推文图的标签传播虚假新闻检测方法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：CN116701740B 。

龙图腾网通过国家知识产权局官网在2025-09-23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：202310692435.6，技术领域涉及：G06F16/951；该发明授权一种基于跨模态推文图的标签传播虚假新闻检测方法是由赵万青;陈海源;张翔;彭进业设计研发完成，并于2023-06-12向国家知识产权局提交的专利申请。

本一种基于跨模态推文图的标签传播虚假新闻检测方法在说明书摘要公布了：本发明涉及社交媒体分析和虚假信息检测技术领域，特别涉及一种基于跨模态推文图的标签传播虚假新闻检测方法，包括步骤：S1、构建跨模态推文图，跨模态推文图用于捕捉推文的相关性；S2、基于跨模态推文图，采用特征上下文网络学习推文之间的相关性，以利用学习结果进行推文真假预测；S3、利用标签传播网络为预测结果分配双向标签注意力，用于捕捉预测结果中推文预测标签的正负相关性；S4、对特征上下文网络和标签传播网络进行训练，得到虚假新闻检测模型；基于CLIP构建得到的跨模态推文图成功捕捉到了未知事件的真假新闻的潜在结构；同时通过FCN进一步增强了真假新闻推文之间的区分度；并通过域泛化损失提高虚假新闻检测模型对未见事件的检测能力。

本发明授权一种基于跨模态推文图的标签传播虚假新闻检测方法在权利要求书中公布了：1.一种基于跨模态推文图的标签传播虚假新闻检测方法，其特征在于，包括以下步骤： S1、构建跨模态推文图，所述跨模态推文图用于捕捉推文的相关性； S2、基于所述跨模态推文图，采用特征上下文网络学习推文之间的相关性，以利用学习结果进行推文真假预测； S3、利用标签传播网络为S2所得预测结果分配双向标签注意力，用于捕捉所述预测结果中推文预测标签的正负相关性； S4、对所述特征上下文网络和所述标签传播网络进行训练，得到虚假新闻检测模型； 其中，将训练数据集分为两个不相交的子集Ds和子集Du，所述子集Ds用于训练所述特征上下文网络和所述标签传播网络，所述子集Du用于更新所述特征上下文网络； 利用所述子集Ds上预测标签的交叉熵损失的最小化训练所述特征上下文网络和所述标签传播网络，得到所述特征上下文网络的最小化交叉熵损失LFCNmin和所述标签传播网络的最小化交叉熵损失LLPNmin，所述标签传播网络从所述子集Ds中的推文特征学习初始分类预测标签，并通过所述标签传播网络学习有效地聚合相邻推文的标签，来捕捉相邻推文之间的相关性，再将所述跨模态推文图推广到未见过的推文上，通过合理的泛化确保已见过的推文上实现准确分类，并规范化所述跨模态推文图以保持未见推文上的一致分布； 设定推文的已见数据集的特征集合P和未见数据集的特征集合Q，并在特征空间中计算已见数据集的特征集合P和未见数据集的特征集合Q的最大均值差异MMDP,Qmax： 其中，p为已见数据集的特征集合P中的样本，q为未见数据集的特征集合Q中的样本，|P|为已见数据集的特征集合P中样本的数量，|Q|为未见数据集的特征集合Q中样本的数量； 分别对已知特征集合和未知特征集合的真实标签和虚假标签计算最大均值差异，并将最大均值差异的总和作为整体损失LMMD： 其中，为带有真实标签的已知特征集合，为带有虚假标签的已知特征集合，为带有真实标签的未知特征集合，为带有虚假标签的未知特征集合； 通过最小化整体损失LMMD，确保特征集合在特征空间中的已知推文和未知推文之间具有一致性，再将所述特征上下文网络的最小化交叉熵损失LFCNmin、所述标签传播网络的最小化交叉熵损失LLPNmin和整体损失LMMD组合起来，并使用损失函数Lall通过端到端地训练所述特征上下文网络和所述标签传播网络，得到所述虚假新闻检测模型： Lall＝LFCN+λLLPN+μLMMD 其中，λ和μ是平衡超参数； S5、采用所述虚假新闻检测模型进行推文检测。

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西北大学，其通讯地址为：710000 陕西省西安市太白北路229号；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”。

以上内容由龙图腾AI智能生成。