(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211186799.9 (22)申请日 2022.09.27 (71)申请人 重庆邮电大 学 地址 400065 重庆市南岸区南 山街道崇文 路2号 (72)发明人 肖云鹏　谢宇锋　王蓉　李茜　 庞育才　李暾　胡波建　曾聪　 龚佳明　李文辉　 (74)专利代理 机构 重庆辉腾律师事务所 5 0215 专利代理师 卢胜斌 (51)Int.Cl. G06Q 10/04(2012.01) G06F 16/35(2019.01) G06Q 50/00(2012.01) G06N 20/00(2019.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于迁移学习的跨领域谣言传播预测 方法 (57)摘要 本发明属于社 交网络建模和 信息传播领域， 具体涉及一种基于迁移学习的跨领域谣言传播 预测方法； 该方法包括： 获取话题数据并构建用 户话题网络； 定义随机游走策略， 采用Node2Vec 算法将用户话题网络表示为特征向量矩阵； 采用 BERT模型对话题文本信息进行表示， 得到话题的 文本特征向量； 采用演化博弈论度量谣 言信息和 辟谣信息的传播影响力； 根据特征向量矩阵、 文 本特征向量、 谣言信息传播影响力、 辟谣信息传 播影响力对预测模型进行训练并采用新模型损 失函数对模 型参数进行调整； 使用迁移学习对预 测模型进行修正， 采用修正后的模 型进行用户传 播谣言话题预测； 本发明预测精度高， 有利于抑 制谣言信息或传播辟谣信息， 实用性高。 权利要求书3页 说明书10页 附图2页 CN 115511181 A 2022.12.23 CN 115511181 A 1.一种基于 迁移学习的跨领域谣言传播预测方法， 其特 征在于， 包括： S1： 获取话题数据并根据话题数据构建用户话题网络， 话题数据包括话题传播信息、 用 户基本信息和话题文本信息； S2： 根据话题数据提取相关属性， 相关属性包括用户自身属性、 用户的历史转发率和用 户交互度； S3： 根据相关属性定义随机游走 策略； S4： 根据随机游走策略， 采用Node2Vec算法将用户话题网络表示为低秩稠密的特征向 量矩阵； S5： 采用BERT模型对话题文本信息进行表示， 得到话题的文本特 征向量； S6： 采用演化博 弈论度量谣言信息和辟谣信息的传播影响力； S7： 根据特征向量矩阵、 文本特征向量、 谣言信息传播影响力、 辟谣信息传播影响力对 基于G‑GCN的谣言 ‑辟谣信息传播群体行为预测模型进 行训练， 并采用新模型损失函数对模 型参数进行调整， 得到训练好的基于G ‑GCN的谣言 ‑辟谣信息传播群 体行为预测模型； S8： 使用迁移学习对训练好的基于G ‑GCN的谣言 ‑辟谣信息传播群体行为预测模型进行 修正， 得到最 终的基于 G‑GCN的谣言‑辟谣信息传播群体行为预测模型并采用该模型进 行用 户传播谣言话题预测。 2.根据权利要求1所述的一种基于迁移学习的跨领域谣言传播预测方法， 其特征在于， 提取用户的历史转发率的公式为： 其中， Rate(ui)表示用户ui的历史转发率， browser(ui)表示用户ui的浏览微博数量， forward(ui)表示用户ui的转发微博 数量。 3.根据权利要求1所述的一种基于迁移学习的跨领域谣言传播预测方法， 其特征在于， 提取用户交 互度的公式为： 其中， intract(ui,uj)表示用户ui对用户uj的交互度， Ii,j表示用户ui是否关注用户uj， K 表示用户ui发布的微博总数， b表示行为类别， t表示当前热点话题的时间， tk表示用户ui发 布第k条微博的时间， weibokb表示用户ui是否对用户uj产生行为。 4.根据权利要求1所述的一种基于迁移学习的跨领域谣言传播预测方法， 其特征在于， 定义随机游走策略的过程包括： 根据用户自身属性计算用户话题网络中当前节点与下一个 节点的相似度； 根据用户交互度计算用户话题网络中当前节点与下一个节点的的边权值； 根据相似度和边权值定义随机游走 策略。 5.根据权利要求4所述的一种基于迁移学习的跨领域谣言传播预测方法， 其特征在于， 随机游走 策略表示 为：权　利　要　求　书 1/3 页 2 CN 115511181 A 2其中， p＝(ci＝x|ci‑1＝w)表示节点w游走到下个节点x的概率， αp,q(w,x)表示节点w和节 点x之间的权重调整参数， β(w,x)表示节点w和节点x的相似度， 表示节点w和节点x 之间的边权值， z表示归一 化常数。 6.根据权利要求1所述的一种基于迁移学习的跨领域谣言传播预测方法， 其特征在于， 度量谣言信息和辟谣信息的传播影响力的过程包括： 根据用户自身属性和用户的历史转 发 率计算用户内部影响因素； 根据用户交互度和 话题的文本语料计算用户外部影响因素； 根 据用户内部影响因素和用户外部影响因素构建谣言信息和辟谣信息的影响力函数； 根据谣 言信息和辟谣信息的影响力函数， 采用演化博弈论定义谣言信息和辟谣信息的收益函数； 根据谣言信息和辟谣信息的收益 函数计算谣言信息和辟谣信息的传播影响力。 7.根据权利要求6所述的一种基于迁移学习的跨领域谣言传播预测方法， 其特征在于， 计算谣言信息和辟谣信息的传播影响力的公式为： 其中， MutualInfrumor(ui)表示谣言信息对用户ui的传播影响力， MutualInfanti‑rumor(ui) 表示辟谣信息对用户ui的传播影响力， Benrumor(ui)表示用户ui对谣言信息的收益， Benanti‑rumor(ui)表示用户ui对辟谣信息的收益。 8.根据权利要求1所述的一种基于迁移学习的跨领域谣言传播预测方法， 其特征在于， 基于G‑GCN的谣言 ‑辟谣信息传播群 体行为预测模型表示 为： 其中， Z表示节点不同分类的概率值， X表示话题网络特征输入矩阵， A表示用户交互行 为补全后的邻接矩阵， 表示中间参数， ReLU()表示激活函数， wi为图卷积网络中对应第i 层网络的权 重矩阵。 9.根据权利要求1所述的一种基于迁移学习的跨领域谣言传播预测方法， 其特征在于， 新模型损失函数的公式为： L＝‑θDylogp(Y＝0|X) ‑θRylogp(Y＝1|X) ‑θAylogp(Y＝‑1|X) 权　利　要　求　书 2/3 页 3 CN 115511181 A 3