基于层次门控交互融合网络的谣言检测方法

针对现有谣言检测方法对多特征做处理时因特征间差异导致特征冲突的问题,提出了一种基于层次门控交互融合网络的谣言检测方法。首先,利用一阶门控对原贴和评论的语义特征和情感特征做特征增强,然后,利用二阶门控对增强特征做跨语义特征融合,以解决特征融合时由于不同特征之间的差异引入噪声的问题。在公开的Weibo数据集和自建的Weibo22数据集上,所提方法的检测正确率分别为96.71%和97.36%。与检测性能最好的基线方法相比,检测正确率分别提高了0.84%和1.31%,训练时间分别减少了53%和46%。     

网络谣言治理路径的多学科审视

网络谣言是信息化时代的产物,近些年,随着新兴媒体的普及和广泛应用,网络谣言逐渐呈现多发、高发的态势,已成为网络"毒瘤",网络谣言治理的紧迫性和严峻性日益突出。本文尝试以多学科视角对网络谣言治理路径问题加以分析与审视,分别从传播学、法学、社会学、公共管理、政治学等多学科的角度来探讨网络谣言治理的路径,以求更全面、更清晰、更系统地认识和把握网络谣言综合治理之策。     

多模态特征融合的中文谣言检测

相较于纯文本的网络谣言,图文并茂的网络谣言形式更容易取得信任,同时也增加了谣言检测的难度。针对此类谣言形式,提出了一种融合多模态特征的中文谣言检测方法。首先,通过深度学习模型分别提取待检测信息中的文本词特征、文本的句子特征、文本的情感倾向特征、图像视觉特征和视觉特征语义向量;然后,通过注意力机制融合文本的词特征和视觉特征语义向量得到语义一致性特征;最后,将文本的句子特征、文本的情感倾向特征、图像视觉特征和语义一致性特征拼接起来得到多模态特征用于谣言检测。实验结果表明,本文提出的方法在微博多模态数据集上的准确率和F1值分别达到了89.9%和89.8%,提高了谣言检测的效果。     

一种网络导航学习路径生成方法

该文提出了一种基于反馈的、满足全局优化和充分必要条件的网络导航学习路径生成方法。将知识单元及其依赖关系作为知识地图的顶点和边,全部存储于广义表中。测试学习者已经学过的知识单元,根据知识单元中心度和难度量化计算方法,生成知识地图总路径集合,基于不同的学习基础,学习者在集合中“按需所取”知识单元。该方法产生的知识地图导航不再是海量知识单元的不完备近似集合,而具有全局精确性;解决了学习路径的充分性和必要性难以同时满足的缺陷;针对学习者个性化要求,有效提高学习效率,具有教育学和计算机科学的双重价值。     

社交网络中的谣言传播模型与全局动力学分析

传统的谣言传播模型不考虑人群评价对谣言传播的影响,但随着弹幕、评论点赞、评论排序等新机制的广泛应用,人群评论对谣言传播产生了不可忽视的影响.基于上述情况,本文提出一类新型的基于评价机制的ICST谣言传播模型,该模型将人群细化为无知者(I)、评论者(C)、传播者(S)和静默者(T)四类.在验证平衡点存在性的基础上给出了谣...     

基于C-GRU的微博谣言事件检测方法

提出基于卷积-门控循环单元(convolution-gated recurrent unit, C-GRU)的微博谣言事件检测模型。结合卷积神经网络(convolutional neural networks, CNN)和门控循环单元(gated recurrent unit, GRU)的优点,将微博事件博文句向量化,通过CNN中的卷积层学习微博窗口的特征表示,将微博窗口特征按时间顺序拼接成窗口特征序列,将窗口特征序列输入GRU中学习序列特征表示进行谣言事件检测。在真实数据集上的试验结果表明,相比基于传统机器学习方法、CNN和GRU的谣言检测模型,该模型有更好的谣言识别能力。     

基于图卷积网络的归纳式微博谣言检测新方法

为了解决传统图卷积神经网络在进行谣言检测时面临的未充分考虑单词语义信息以及池化方法选择困难的问题,提出基于图卷积网络(GCN)的归纳式微博谣言检测新方法. 考虑单词之间的语义关系,结合传统词共现建图方法提出基于词语义相关性的微博事件建图方法,并结合图卷积网络和门循环单元(GRU)实现节点信息聚合;为了有效融合不同节点状态的特征信息,提出基于注意力机制的多池化方法融合策略融合最大池、平均池和全局池以获取最终的图级向量;为了提高微博谣言检测效率,探究微博评论时间对检测结果的影响,获得用于模型训练的最佳评论利用时间阈值. 实验结果表明,本研究方法在给定数据集上的表现普遍优于Text-CNN、Bi-GCN、TextING等典型方法,验证了其在微博谣言检测领域的有效性.     

基于部分路径的社交网络信息源定位方法

随着微博、微信等在线社交网络的快速发展,社交网络上的不实信息呈现爆发式的传播,往往会引起严重的后果,如何寻找谣言等不实信息在社交网络中的传播源头具有重要的应用意义。该文提出一种面向在线社交网络的信息源点定位方法,与现有的基于观察点的定位方法不同,该方法考虑了传播过程中信息普遍带有的部分传播路径,并以此重构传播过程,修正传播子图,从而更准确地定位信息源点。在模型网络及实际网络上进行实验,说明了该算法的有效性。     

论对网络谣言的刑法规制

通过梳理我国针对网络谣言犯罪的刑事立法发展过程,分析了有关网络谣言犯罪的刑法规制特点。联系网络谣言犯罪的特点和保护公民言论自由的需要,对改进网络谣言犯罪的刑事规制提出了建议。     

面向社交媒体立场检测的数据增强方法

现有的公开立场检测评测中标签语料规模较小,制约深度学习立场检测模型的训练效果。数据增强技术能一定程度缓解训练数据不足带来的困扰。对于现有的数据增强技术易将社交媒体语言中的冗余信息进行扩充,无法有针对性增强的问题,提出一种基于层次注意力的数据混合增强方法。该方法首先从粗粒度段句出发,将决定立场判断的关键信息筛选出来;然后再进行细粒度词语变换,从而实现数据增强。实验表明,相较于另外两种数据增强方法,所提方法对立场检测模型的检测效果提升更加明显,证实了该方法的有效性。     

结合主动学习和半监督学习的网络入侵检测算法

为提高网络入侵检测的分类效率,提出一种结合主动学习和半监督学习的入侵检测算法。结合入侵检测实际,对主动学习算法进行简化,用有标记样本训练生成2个分类器,实现对未标记样本的预测;将2个分类器预测不一致的未标记样本作为信息量丰富的样本,使用半监督学习算法进行标记;最后, 把新增加的新标记样本添加到主动学习和半监督学习的训练集中,训练各自分类器, 反复迭代直到未标记样本集为空, 并用最新的有标记样本集训练形成最终的分类器。使用KDD CUP 99数据集进行入侵检测实验,其结果表明,与SVM方法相比,其分类率提高了4.3%,且较好地缩减了问题规模。       

基于神经网络的IDS网络行为学习算法

针对竞争层中存在的容易陷入局部极小、可能丢弃局部较理想的神经元问题,提出了增加／删除竞争神经元的神经网络。它采用基于Hebbian假设的非监督学习算法对网络行为进行学习,并根据相似度确定奖励和惩罚的等级。在学习过程中根据需要增加神经元以形成新的聚类,在学习结束后删除错误的聚类,从而避免了死神经元问题,使聚类更加准确。     

基于ABC、XGBoost与迁移学习的入侵检测方法

传统的入侵检测机器学习算法,面对有差异的新旧数据尤其是未知的攻击行为,会出现检测准确率较低、漏检率较高的问题.为此,提出了一种将人工蜂群(ABC)算法、XGBoost模型与迁移学习相结合的ABC-XGBTrl算法.首先通过使用少量有标签的新数据训练初始分类模型,然后将有标签的旧数据中分类正确的部分与少量有标签的新数据合...     

基于胶囊卷积网络的多视图三维重建

从深度神经网络对重建效果影响的角度,提出了基于胶囊卷积网络的多视图三维重建模型Caps-MVSNet,包括特征提取、构建代价体、代价体正则化、回归深度图和细化深度图5个阶段. 提出了FENet-T特征提取网络和3D-CapsCNN网络,并分别应用于模型的特征提取阶段和代价体正则化阶段. 其中,FENet-T利用高效的Block计数比率以及大尺度空洞卷积和分组卷积提高网络的特征提取效率. 3D-CapsCNN使用比卷积神经网络更强空间表示能力的3D胶囊网络来正则化代价体. Caps-MVSNet在DTU数据集上完成了效果测试,结果表明,与先前主流重建方法相比该模型在完整性上达到了最优结果,在准确性、整体性上均取得较大提升. 另外,与基准模型MVSNet相比,该模型在准确性、整体性和完整性上分别提高3.3%、4.9%和8.2%,参数量减少3.3%.     

基于机器学习的DDoS攻击检测

简要回顾了DDoS攻击的工作原理和造成的危害,介绍了KNN和XGBoost两种机器学习算法的基本流程,提出了一种结合KNN算法和XGBoost算法的新DDoS攻击检测模型.在新模型中,通过使用KNN算法训练出模型,预测一个评分,作为新的特征加入原数据集中,再放到XGBoost中进行新一轮训练.利用标准数据集KDD CUP99进行了实验.实验数据表明,KNN和XGBoost融合模型训练和攻击检测的速度快,适用于DDoS攻击检测.     

基于二维卷积神经网络高层数据特征学习的过程故障检测

针对化工生产过程中高维数据故障特征难以学习和提取的缺点,提出一种基于二维卷积神经网络的化工过程故障检测方法.首先,采集化工过程不同故障的数据构成训练集和测试集;然后,对训练集和测试集中对应的正常样本和故障样本标注标签;最后,将训练集中的样本数据作为卷积神经网络的输入来训练、优化模型.方法应用于田纳西-伊斯曼化工过程,数据结果表明：二维卷积神经网络能够提取出原始数据中样本与样本、变量与变量之间更为抽象的高层数据特征,通过特征提取和学习后的重构特征数据输入到全连接层BP神经网络进行故障分类,比单独使用全连接BP神经网络的检测率提高了14.42 %,误报率降低了2.55 %.     

机器学习用于网络流量识别

提出了将机器学习中的C4.5算法应用于传输层的网络流量特征识别技术.运用相关性特征选择和遗传算法形成了流量特征子集.提出并采用 N折交叉验证与测试集相结合的方法评估了国家运营宽带网络中的流量测试分类结果.实验证明,无需预知端口和协议标签,网络流量就能被成功地识别与分析.     

基于改进胶囊神经网络的示功图诊断模型

针对传统胶囊神经网络特征提取结构单一,模型参数量大以及动态路由算法中相似度衡量粗糙等问题,该文提出一种改进的胶囊神经网络.应用Fire Module模块,将网络中特征图通道数先进行压缩,再通过多尺度的卷积核提取特征信息,进而提升网络的特征提取能力和减少网络模型的参数.将Dropout思想引入胶囊神经网络来增加模型的多样...     

基于机器学习的NAO机器人检测跟踪

为了解决对人形NAO机器人的检测跟踪问题,提出了一种机器学习与特征匹配相结合的方法.向梯度直方图(Histogram of Oriented Gradient)特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子,在行人检测中取得了较好的效果.将其应用于人形NAO机器人的检测跟踪,并结合AdaBoost算法通过机器学习的方法,从大量的训练样本中自动抽取HOG特征并建立级联分类器,利用分类器找出视频帧中含有机器人目标的区域,并在此基础上利用SURF(Speed Up Robust Features)特征匹配方法与模板图像进行特征匹配,以提高目标识别的正确率.实验结果表明,该方法对NAO机器人在室内光线无遮挡的情况下取得了稳定的跟踪效果.     

基于机器学习的网页恶意代码检测方法

网络中大量的恶意网页已经成为网络用户的主要安全威胁。本文提出了一种基于机器学习分类器的网页恶意JavaScript代码分析方法。通过对训练样本训练学习,建立分类模型,最后对测试样本检测。实验表明,本方法能够有效的检测出大部分恶意网页JavaScript代码,检测准确率达到88．5％