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！

龙图腾网获悉西北工业大学申请的专利一种含有误导性信息的新闻检测方法、装置与设备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：CN118152594B 。

龙图腾网通过国家知识产权局官网在2026-03-03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：202410020943.4，技术领域涉及：G06F16/45；该发明授权一种含有误导性信息的新闻检测方法、装置与设备是由王震;乔娇;李向华;吴连伟;刘洋;高超设计研发完成，并于2024-01-07向国家知识产权局提交的专利申请。

本一种含有误导性信息的新闻检测方法、装置与设备在说明书摘要公布了：本申请涉及网络空间安全信息检测技术领域，公开了一种含有误导性信息的新闻检测方法、装置与设备，所述方法包括：获取公共真实的社交媒体数据集，社交媒体数据集具有多模态新闻；构建跨模态内容相关性网络模型并进行训练，得到训练好的含有误导性信息的新闻检测模型；将待检测新闻数据输入训练好的含有误导性信息的新闻检测模型，通过该模型预测待检测新闻是否含有误导性信息。本申请方法使用一种新的跨模态内容相关性网络来增强多模态的含有误导性信息的新闻检测，实现对细粒度的文本和视觉内容相关性的提取，克服了以往含有误导性信息的多模态新闻检测技术方案使用标量相似度推理的局限，提高了含有误导性信息的新闻检测的准确性。

本发明授权一种含有误导性信息的新闻检测方法、装置与设备在权利要求书中公布了：1.一种含有误导性信息的新闻检测方法，其特征在于，包括以下步骤： S1：获取公共真实的社交媒体数据集，所述公共真实的社交媒体数据集具有多模态新闻内容； S2：构建跨模态内容相关性网络模型并进行训练，得到训练好的含有误导性信息的新闻检测模型，所述S2包括： S21：新闻文本和新闻图片特征提取，即获取文本和视觉元素并获得泛化性高的用于相似度计算的表示； S22：跨模态增强，即增强文本和视觉元素间的共享信息以促进相似度计算，所述S22包括： 采用级联、堆叠的共同注意力Transformer的形式来增强模态间的共享信息；前馈层的结构与原始Transformer保持相同，有如下： 其中是拼接符号，是通过将词嵌入序列或者图像目标切片序列特征整合成矩阵而创建的，使用图片切片特征来增强词嵌入，即将词嵌入作为查询，将图片切片特征作为键和值，后者在前者的引导下进行加权求和，词嵌入首先被投射到图片切片特征的嵌入空间，然后反过来继续引导调整，这样的流程将继续循环T次，是多模态元素序列的长度，作为投影是可训练的参数矩阵，； 全连接的前馈网络由两层线性变换和一个ReLU激活函数组成， ， 其中，由第一个残差连接和层归一化输出，W1、W2是可训练的参数矩阵，b1、b2是偏差项；这样的级联共同注意力Transformer块堆叠T次，输出增强后的词嵌入和图片切片特征，其保持与未增强特征相同的维度； S23：跨模态相关性，即得到文本和视觉元素的相似度矩阵并学习其中的跨模态相关性特征，所述S23包括： 对于增强后文本元素特征和增强后视觉元素特征，通过计算它们正则化后的内积得到余弦相似度： ， 其中余弦相似度矩阵；卷积操作的过滤器应用于h个单词长、N个目标切片宽的窗口以产生一个新的特征， ， 其中是偏差项，继续沿单词序列增长方向按步长1滑动，直到产生N−h+1个特征，形成一个特征图，对于过滤器的一个输出通道， ， 特征图，对每个特征图作全局平均池化，再拼接起来形成跨模态相关性特征， ， 其中跨模态相关性特征，k是不同尺寸的过滤器的数量，o是每种尺寸的过滤器的输出通道数量； S24：跨模态融合，即融合增强的多模态特征和跨模态相关性特征来获得统一的表示，所述S24包括： 为了将多模态特征和跨模态相关性特征融合用于分类，词序列特征和图片目标切片特征将被全局平均池化，和分别通过多层感知机输出低维表示， ， 其中，每个MLP模块的最后均设置相等概率的丢弃层；再将它们拼接，通过MLP输出最终表示， ， S25：分类器，即使用学习到的统一表示来预测新闻是否为含有误导性信息的新闻； S3：将待检测新闻数据输入训练好的含有误导性信息的新闻检测模型，通过含有误导性信息的新闻检测模型预测待检测新闻数据是否含有误导性信息。

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工业大学，其通讯地址为：710072 陕西省西安市友谊西路127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。