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！

龙图腾网获悉重庆大学申请的专利基于情绪感知元学习的跨事件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：CN116450822B 。

龙图腾网通过国家知识产权局官网在2026-01-02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：202310310495.7，技术领域涉及：G06F16/353；该发明授权基于情绪感知元学习的跨事件虚假新闻检测方法是由高旻;黄胤秋;殷俊伟;王佳;熊庆宇;王悦阳;范琪琳设计研发完成，并于2023-03-28向国家知识产权局提交的专利申请。

本基于情绪感知元学习的跨事件虚假新闻检测方法在说明书摘要公布了：本发明涉及基于情绪感知元学习的跨事件虚假新闻检测方法，它包括构建情绪感知元任务和事件自适应元任务；对情绪感知元任务进行加权元学习；将事件自适应元任务和经过加权元学习后的情绪感知元任务输入基本检测模型进行训练得到初步检测模型；使用目标事件数据对初步模型进行微调得到最优模型；将待检测帖子输入最优模型，输出该待检测帖子的预测标签。本发明将情绪深度融入元学习过程，从已有事件中学习细粒度的元知识，构建情绪感知任务，通过双层优化目标得到能使多个已有事件损失快速达到极小值的初始化参数，通过使模型参数对多个事件敏感，使模型在只有少量标记数据的情况下快速适应目标事件。

本发明授权基于情绪感知元学习的跨事件虚假新闻检测方法在权利要求书中公布了：1.基于情绪感知元学习的跨事件虚假新闻检测方法，其特征在于：包括如下步骤： S1：构建情绪感知元任务和事件自适应元任务： S11：构建情绪感知元任务： 用K表示DS的事件集合，M∈{Real,Fake}是标签集合，是DS中事件为k∈K且标签为m∈M的所有样本集合，是事件为k∈K且标签为-m∈M的所有样本集合，将单个帖子当作一个第i个元任务Ti的查询集Ti的支持集由中和xi情绪序列最相近的q个样本以及中和xi情绪序列最相反的q个样本组成； 设中有N个样本，即共有N个情绪感知元任务，第i个元任务Ti表示为 用ei表示xi的情绪序列，使用以下公式衡量xi和xj之间的情绪相似性： 其中j∈{1,2,…,|Dk|}且i≠j； S12：构建事件自适应元任务： 定义MMD距离由高斯核函数的特定表示φ·计算，它作用于源事件数据和目标事件数据MMD的经验近似为： 其中，表示基础检测模型的最后一个MLP的输入，即帖子的嵌入； S2：对情绪感知元任务进行加权元学习 S21：为每个计算相应的类原型的计算公式为： 其中εxi是xi的文本嵌入，语义权重的计算方法为： 其中cos函数是余弦相似度函数，η是超参数，1·是一个指示函数，表示事件为k的一个样本，K代表源域事件数量，代表不是当前样本的其余事件原型； S22：为源数据中的真实信息和虚假信息构建一个情绪原型dm，通过平均所有对应样本的情绪序列得到原型表示： 其中Dm是Ds中的标签是m的所有样本集合，情绪权重的计算方法为： 其中，dm表示与帖子标签相同的情绪原型，d-m表示与帖子标签相反的情绪原型； Ti的权值wi为： 其中，λ是一个平衡因子； S3：通过对基本检测模型进行训练得到初步检测模型Mθ*： 将事件自适应元任务和经过S2进行加权元学习后的情绪感知元任务输入基本检测模型进行训练，根据损失不断迭代更新基本检测模型的参数，直至损失不再变化则得到初步检测模型； 在对基本检测模型进行训练时每次迭代中，以概率ρ∈0,1选择情绪感知元任务，以概率为1-ρ选择事件自适应元任务，ρ是一个超参数； S4：使用目标事件数据对S3所得进行微调得到最优模型 对于新的事件数据DT，根据DT创建测试任务，其中支持集和查询集随机选择，对于一个测试任务Ti′，使用Ti′的支持集对进行n次微调： θ′j＝Unθ*；γ 其中，θ′j表示用目标事件数据微调后的的参数，Un表示对的损失梯度下降n次，θ*表示的参数，γ表示学习率； 对Ti′的查询集使用进行验证，当预测准确率达到预设阈值时执行下一步，否则将作为基本检测模型返回S3继续训练； S5：目标领域待检测帖子的检测： 对于一个待检测帖子，将该待检测帖子输入S4得到的最优模型输出该待检测帖子的预测标签。

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重庆大学，其通讯地址为：400044 重庆市沙坪坝区沙正街174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。