孫尉超　陳濤

摘要：隨著互聯(lián)網(wǎng)的高速發(fā)展，網(wǎng)絡(luò)上的信息劇增，如何識別網(wǎng)絡(luò)謠言也成為當(dāng)下研究熱點(diǎn)之一。針對謠言初期的傳播具有一定隱蔽性的特征，結(jié)合預(yù)訓(xùn)練語言模型ALBERT和雙向長短期記憶網(wǎng)絡(luò)設(shè)計(jì)了ALBERT-BiLSTM謠言識別模型，通過挖掘謠言內(nèi)容的深層文本特征進(jìn)行識別，使之在謠言初期也能應(yīng)用。五折交叉驗(yàn)證實(shí)驗(yàn)結(jié)果表明，ALBERT-BiLSTM模型在實(shí)驗(yàn)組中達(dá)到了最高的準(zhǔn)確率98.095%、召回率98.014%和F1值98.098%，能夠較好地識別微博謠言，對維護(hù)網(wǎng)絡(luò)信息安全具有重要意義。

關(guān)鍵詞：謠言識別;預(yù)訓(xùn)練語言模型;ALBERT;雙向長短期記憶網(wǎng)絡(luò);ALBERT-BiLSTM

中圖分類號：TP389.1 文獻(xiàn)標(biāo)識碼：A 文章編號：1006-8228（2020）08-21-06

0 引言

科技和互聯(lián)網(wǎng)高速發(fā)展，大數(shù)據(jù)時(shí)代的來臨，越來越多的社交平臺如雨后春筍般出現(xiàn)，提供給人們更多獲取和傳播信息的途徑，同時(shí)，也產(chǎn)生大量謠言。謠言在擁有龐大用戶基數(shù)的社交平臺傳播，在一定時(shí)間內(nèi)必然會影響到部分用戶情緒，引起輿論風(fēng)波，威脅公民安全和社會穩(wěn)定，所以對謠言的識別在維護(hù)網(wǎng)絡(luò)信息安全工作中顯得十分關(guān)鍵。由于謠言初期的傳播特征具有一定的隱秘性，如何通過挖掘謠言文本內(nèi)容的深層語義特征來判斷信息真?zhèn)问侵{言識別工作中的重點(diǎn)之一。近年來隨著深度學(xué)習(xí)的興起，越來越多的研究者開始利用深度學(xué)習(xí)模型來分析文本。本文以標(biāo)注好的微博數(shù)據(jù)集MCG-FneWSⅢ為例，構(gòu)建了ALBERT-BiLSTM謠言識別模型，并設(shè)計(jì)了對比實(shí)驗(yàn)組，經(jīng)過五折交叉驗(yàn)證實(shí)驗(yàn)發(fā)現(xiàn)該模型在謠言識別精度達(dá)到了98.095%，能夠較好地識別微博謠言。

1 研究現(xiàn)狀

很多研究者在微博謠言識別工作中已取得一些成果。①Jin等[2]通過構(gòu)建主題模型來挖掘微博文本中的沖突觀點(diǎn)信息，并設(shè)計(jì)信用網(wǎng)絡(luò)進(jìn)行迭代學(xué)習(xí)，實(shí)驗(yàn)發(fā)現(xiàn)該模型在性能上明顯優(yōu)于基線方法。②Shu等[3]認(rèn)為挖掘新聞發(fā)布者、新聞內(nèi)容和社交網(wǎng)絡(luò)用戶的內(nèi)在關(guān)系有助于提高對虛假新聞的檢測水平，設(shè)計(jì)了一個(gè)三關(guān)系嵌入框架，它可以同時(shí)對新聞發(fā)布者和新聞內(nèi)容的聯(lián)系、社交網(wǎng)絡(luò)用戶和新聞的交互作用進(jìn)行建模，用于識別虛假新聞。③Zhang等[4]首先通過大量數(shù)據(jù)挖掘作者、主題、帖子內(nèi)容和新聞?wù)鎮(zhèn)蔚穆?lián)系，并設(shè)計(jì)了一個(gè)深層的擴(kuò)散網(wǎng)絡(luò)模型學(xué)習(xí)顯式特征和潛在特征并生成新聞可信度。④林榮蓉等[5]構(gòu)建了謠言敏感詞庫，再通過Word2Vec模型提取詞向量，將經(jīng)過預(yù)處理后的文本中詞的平均向量作為語義特征并融合提取到的統(tǒng)計(jì)特征和敏感詞庫特征作為微博特征的向量表示，輸入到GBRT模型進(jìn)行訓(xùn)練，同時(shí)建立了長短期神經(jīng)網(wǎng)絡(luò)模型進(jìn)行二次識別，提高了謠言識別的精度。⑤楊真等[6]通過一系列機(jī)器學(xué)習(xí)方法在謠言識別比較研究中，對微博用戶的謠言識別能力劃分等級，并將謠言識別能力作為新特征引入模型，發(fā)現(xiàn)分類效果得到了提升。⑥曾子明等[7]定義了用戶可信度和微博影響力特征變量，基于2016年霧霾謠言提出結(jié)合了LDA和隨機(jī)森林的謠言識別模型。⑦王勤穎等[8]提取謠言識別的用戶、傳播和內(nèi)容的基本特征并融合信任因素的特征，構(gòu)建基于信任的微博謠言識別模型;同時(shí)將炸藥爆燃爆炸過程的原理應(yīng)用于微博謠言傳播中，提出了微博能量參數(shù)的新特征，并融合原有特征建立了微博謠言信息爆炸識別模型。

過往的微博謠言識別模型的研究中，人們的關(guān)注點(diǎn)往往在整體特征的提取上，在文本深層語義特征的提取上并沒有較好探究。近年來隨著對自然語言處理領(lǐng)域研究的深入，在2017年Vaswan1等[9]提出了Self-Attention機(jī)制和Transformer框架，極大促進(jìn)了語言模型的發(fā)展，為后續(xù)BERT和ALBERT的誕生做好了鋪墊。本文結(jié)合了預(yù)訓(xùn)練語言模型ALBERT和雙向長短期記憶網(wǎng)絡(luò)模型，提出了ALBERT-BiLSTM模型，并將其應(yīng)用于微博謠言識別上，實(shí)驗(yàn)發(fā)現(xiàn)該模型能夠較好地提取文本深層語義特征并進(jìn)行謠言識別。

2 微博謠言識別模型和方法設(shè)計(jì)

2.1 識別方法流程

微博謠言識別的流程分為四步，如圖1所示。①數(shù)據(jù)獲取;②數(shù)據(jù)預(yù)處理，包括數(shù)據(jù)清洗，數(shù)據(jù)分詞，文本向量化;③模型訓(xùn)練，構(gòu)建結(jié)合ALBERT和雙向長短期記憶網(wǎng)絡(luò)的模型，將經(jīng)過預(yù)處理后的數(shù)據(jù)輸入模型進(jìn)行訓(xùn)練;④對模型進(jìn)行整體評估。

2.2 BERT和ALBERT

BERT （Bidirectional Encoder Representationfrom Transformers）是google的Devlin J等[10]于2018年10月提出的新型預(yù)訓(xùn)練模型，在當(dāng)時(shí)11項(xiàng)自然語言處理任務(wù)中刷新了記錄。其結(jié)構(gòu)如圖2所示。

BERT模型是采用了雙向Transformer編碼器，其訓(xùn)練方法分為兩步：一是通過隨機(jī)MASK訓(xùn)練集中15%的詞。其中被打上[MASK]標(biāo)記的詞有80%的概率直接替換為[MASK]標(biāo)簽，10%概率替換為任意單詞，10%概率保留原始Token，讓模型預(yù)測被MASK的單詞含義;二是通過從訓(xùn)練文本中挑選語句對，其中包括連續(xù)的語句對和非連續(xù)的語句對，讓模型來判斷語句對是否呈“上下句”關(guān)系。

BERT模型中Transformer具體單元結(jié)構(gòu)如圖3所示。在輸入文本后先進(jìn)行詞嵌入（Embedding）處理，將文本詞向量化，再對其進(jìn)行位置信息編碼（Positional Encoding）。為了充分考慮每一個(gè)句子中不同詞語之間的語義和語法聯(lián)系，設(shè)計(jì)了自注意力層（ Self-Attention），同時(shí)考慮到不同head中單詞的Attention（側(cè)重點(diǎn)）不同，通過結(jié)合多個(gè)自注意力層形成多頭（Multi-Head）機(jī)制來使模型獲得更大容量?；诙囝^機(jī)制的自注意力層的輸出會經(jīng)過Add&Norm層，其中Add表示殘差連接（Residual Connection），Norm表示層歸一化（Layer Normalization），通過將經(jīng)過位置信息編碼后的輸出與多頭機(jī)制自注意力層的輸出相加，再進(jìn)行層歸一化操作，這樣可以做到僅關(guān)注差異部分并使模型更容易訓(xùn)練。Add&Norm層的輸出傳遞到前饋神經(jīng)網(wǎng)絡(luò)層（Feed Forward），再經(jīng)過Add&Norm層后輸出。

ALBERT （AIITE BERT）是GOOLE公司基于BERT基礎(chǔ)上進(jìn)行了一系列改造后的預(yù)訓(xùn)練小模型[11]，該模型參數(shù)量相比傳統(tǒng)BERT大幅度降低，運(yùn)行速度提高，在一定程度上突破了硬件的限制，并在許多自然語言處理任務(wù)上發(fā)揮出色。

ALBERT相較于BERT的改進(jìn)點(diǎn)主要有以下幾點(diǎn)。

（1） Factorized embedding parameterization（詞嵌入因式分解）：降低Embedding層的詞嵌入維度，并在詞嵌入和隱藏層間再添加一個(gè)project層。假設(shè)詞表大小為L，隱藏層維度為H，詞嵌入維度為V。那么BERT模型參數(shù)P bert計(jì)算公式為：

ALBERT模型參數(shù)P bert計(jì)算公式為：

BERT模型中詞嵌入維度和隱藏層維度相同，在通常V很大，V遠(yuǎn)小于H的情況下，詞嵌入因式分解后的參數(shù)量將大幅度減小。

（2） Cross-Layer Parameter Sharing（跨層參數(shù)共享）：在ALBERT模型中結(jié)合了Transformer兩種參數(shù)共享的方式，將全連接層和attention層都實(shí)現(xiàn)了參數(shù)共享，達(dá)到減小參數(shù)量和提高模型訓(xùn)練速度的效果。

（3） Inter-sentence coherence loss（句間連貫）：改進(jìn)了BERT模型原有的連續(xù)句二分類訓(xùn)練任務(wù)，提出了SOP（ sentence-order prediction）的新型訓(xùn)練任務(wù)，讓模型去識別給定兩個(gè)句子的先后順序。

（4）移除dropout。

2.3 LSTM與Bi-LSTM

1996年Hochreiter等人[12]羽提出了一種新型循環(huán)神經(jīng)網(wǎng)絡(luò)，長短期記憶網(wǎng)絡(luò)（Long Short-Term Memory，LSTM），這種網(wǎng)絡(luò)相對于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)（RecurrentNeural Networks，RNN）解決了在長文本訓(xùn)練過程中易出現(xiàn)梯度消失與梯度爆炸的問題，它的細(xì)胞結(jié)構(gòu)如圖4所示。

LSTM網(wǎng)絡(luò)通過堆疊這種細(xì)胞結(jié)構(gòu)來形成重復(fù)模鏈的結(jié)構(gòu)。在LSTM的基礎(chǔ)上，Graves等[13]提出了雙向長短記憶網(wǎng)絡(luò)（Bidirectional Long Short-TermMemory，Bi-LSTM），Bi-LSTM能夠更好的捕獲雙向語義的依賴。Bi-LSTM的具體結(jié)構(gòu)如圖5所示，其中LSTM，和LSTM。分別是前向傳遞模塊和后向傳遞模塊，XN表示N位置上的詞向量輸入，h LN和hRN分別是N位置的前向傳遞隱層輸出和N位置的后向傳遞隱層輸出。Bi-LSTM在分類問題最終輸出是[h LN，h RN]。

2.4 ALBERT-BiLSTM謠言識別模型

本文結(jié)合ALBERT模型和Bi-LSTM神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)了一種微博謠言識別模型，該模型的具體結(jié)構(gòu)如圖6所示。處理好的句子向量首先會經(jīng)過ALBERT模型進(jìn)行詞訓(xùn)練，再經(jīng)過Bi-LSTM神經(jīng)網(wǎng)絡(luò)層進(jìn)行特征提取，加入Dropout層為了防止過擬合的產(chǎn)生，最后進(jìn)入全連接層降維，在判別層輸出對應(yīng)標(biāo)簽。

3 實(shí)驗(yàn)與分析

3. 1實(shí)驗(yàn)數(shù)據(jù)集的獲取與處理策略

本文采用智源研究院·中科院計(jì)算所開源的已標(biāo)注好的虛假新聞文本數(shù)據(jù)集（MCG-FNeWS）。該數(shù)據(jù)集共含有38471條微博新聞，其中包括真實(shí)新聞19186條，虛假新聞19285條。真實(shí)新聞標(biāo)簽為O，虛假新聞標(biāo)簽為1。

本實(shí)驗(yàn)對數(shù)據(jù)的處理策略如圖7所示。①unicode編碼：將文本數(shù)據(jù)轉(zhuǎn)化為字符串。②奇怪字符處理：去除部分控制字符、替換字符，將多個(gè)空白字符轉(zhuǎn)化為空格處理。③中文處理：中文按字用空格分開，英文和數(shù)字不變。④空格分詞：去掉多余空白字符后按空格進(jìn)行切分，返回字符列表。⑤多余字符處理和標(biāo)點(diǎn)分詞：去除變音符號并根據(jù)標(biāo)點(diǎn)進(jìn)行切分。⑥再次空格分詞：操作同④。⑦二次切分：限制輸入長度，將多余詞標(biāo)記為[unk_token]，從左到右拆分多個(gè)字詞，要求每個(gè)字詞盡可能長。⑧句子向量化：根據(jù)詞表的id轉(zhuǎn)化為句子向量。⑨padding處理：將句子向量填充到指定長度，保證輸入維度的一致性。

實(shí)驗(yàn)采用五折交叉驗(yàn)證（5-fold）處理數(shù)據(jù)集，將樣本數(shù)據(jù)隨機(jī)分成五組數(shù)據(jù)，每組數(shù)據(jù)與樣本集比例為1：4，每次訓(xùn)練都是取其中1組作為測試集，余下4組作為測試集，所得五組數(shù)據(jù)見表1。

模型性能評價(jià)標(biāo)準(zhǔn)采用準(zhǔn)確率（Precision，P），召回率（ Recall，R）和Fl值（Fl-score，F(xiàn)l），公式如下：

3.2 模型構(gòu)建和具體參數(shù)設(shè)置

本文采用Tensorflow框架進(jìn)行模型的構(gòu)建，Tensorflow是Google公司開發(fā)的并且廣泛應(yīng)用于深度學(xué)習(xí)、機(jī)器學(xué)習(xí)等領(lǐng)域的開源計(jì)算庫。

為了驗(yàn)證ALBERT語言模型能夠更好地捕獲語義特征，設(shè)置了結(jié)合Word2Vec語言模型的對比實(shí)驗(yàn)。Word2Vec預(yù)訓(xùn)練模型采用騰訊AI實(shí)驗(yàn)室漢字詞嵌入語料庫[14]，并截取了其中45000個(gè)詞向量作為嵌入層（Embedding）的詞嵌入矩陣。Word2Vec預(yù)訓(xùn)練語言模型的詞向量輸出維度為200。對比實(shí)驗(yàn)的設(shè)置見表4。

3.3 實(shí)驗(yàn)結(jié)果

在MCG-FNeWS數(shù)據(jù)集上采用Word2Vec，Word2Vec-LSTM. Word2Vec-BiLSTM.ALBERT.ALBERT-LSTM.ALBERT-BiLSTM進(jìn)行實(shí)驗(yàn)，具體實(shí)驗(yàn)結(jié)果見表5。

3.4 實(shí)驗(yàn)結(jié)果分析

根據(jù)表5我們可以發(fā)現(xiàn)：

（1）基于ALBERT的模型性能都優(yōu)于基于Word2Vec的模型，并在評估指標(biāo)上提升幅度較大。其中在準(zhǔn)確率、召回率和Fl值上，ALBERT-BiLSTM模型相較于Word2Vec-BiLSTM模型分別提高了6.223%、7.778%、6.343; ALBERT-LSTM模型相較于Wor-d2Vec-LSTM分別提高了7.310%、8.665%、7.440%;ALBERT模型相較于Word2Vec模型分別提高了8.318%、10.174%、8.505%。傳統(tǒng)的Word2Vec語言模型訓(xùn)練出的詞向量是靜態(tài)的，雖然通用性較強(qiáng)，但需要大量針對性的文本數(shù)據(jù)進(jìn)行訓(xùn)練，并且該模型在文本中出現(xiàn)同義詞、一詞多義的情況下效果不佳，無法在特定任務(wù)下進(jìn)行動態(tài)優(yōu)化。而ALBERT語言模型集成Transformer框架和Self-Attention機(jī)制，能夠更好地提取詞的文本語義特征，從而提升模型的性能。

（2）在準(zhǔn)確率、召回率和Fl值上，ALBERT-BiLSTM模型分別達(dá)到了98.095%、98.014%、98.098%，是所有實(shí)驗(yàn)?zāi)Ｐ椭凶罡叩?，相較于ALBERT-LSTM模型和ALBERT模型有一定程度的提升，總體提升幅度不大。其中，ALBERT-BIL-STM模型相較于ALBERT-LSTM模型提升了0.161%、0.306%、0.164%; ALBERT-BILSTM模型相較于ALBERT模型分別提升了0.161%、0.202%、0.162%。實(shí)驗(yàn)表明，ALBERT-BiLSTM模型已經(jīng)能夠較好地識別微博謠言。

4 結(jié)束語

由于謠言初期的隱蔽性特征，人們很難根據(jù)謠言的傳播特征、謠言發(fā)布者用戶屬性特征來判斷內(nèi)容真?zhèn)巍１疚脑O(shè)計(jì)的謠言識別模型通過挖掘文本的深層語義特征來識別謠言，識別準(zhǔn)確率達(dá)到了98.095%。但由于模型自身的局限性和缺少海量數(shù)據(jù)支撐，無法通過挖掘不同內(nèi)容之間的復(fù)雜聯(lián)系來識別謠言。在大數(shù)據(jù)時(shí)代背景下，信息內(nèi)容復(fù)雜和多樣，信息傳播迅速，如何快速識別謠言仍然非常困難。

參考文獻(xiàn)（References）：

[1]Cao J，Sheng Q，Qi P，et aL False News Detection onSocial Media[EB/OL]. arXiv preprint arXiv：1908.10818， 2019.

[2]Jin Z，Cao J，Zhang Y，et aL News Verification byExploiting Conflicting Social Viewpoints in Microblogs[C]//Thir[ieth Aaai Conference on Artificial Intelligence.AAAI Press，2016.3.

[3]Shu K，Wang S，Liu H.Beyond News Contents： The Roleof Social Context for Fake News Detection[C]. WSDM2019：312-320

[4]Zhang J，Cui L'Fu Y，Gouza F.Fake News Detection withDeep Diffusive Net，^iork ModeI[EB/OL].arXiv：1805.08751，2018.5.https：//arxiv.org/pdf/1805.087 5l.pdf.

[5]林榮蓉.基于敏感詞庫的微博謠言識別研究[D].中南財(cái)經(jīng)政法大學(xué)，2018.

[6]曾子明，王睛.基于LDA和隨機(jī)森林的微博謠言識別研究——以2016年霧霾謠言為例[J].情報(bào)學(xué)報(bào)，2019.38（1）：89-96

[7]楊真.新浪微博謠言識別研究[D].鄭州大學(xué)，2018.

[8]王勤穎.微博謠言識別模型研究[D].山東師范大學(xué)，2019.

[9] Vaswani A， Shazeer N， Parmar N， et aL Attention Is AllYou Need[C].Advances in Neural Information Process-ing Systems 30，2017：5998-6008

[10] Jacob D， Ming-Wei C， Kenton L， Kristina T. BERT： Pre-training of Deep Bidirectional Transformers for Lan-guage Unde-rstanding[EB/OL]， arXiv， 2018-10-11，https：//arxiv.org/pdf/1810 .0480 5.pdf

[11] Lan Z，Chen M， Goodman S，et al. ALBERT：A Lite BE-RT for Self-supervised Learning of Language Repre-sentations[EB/OL]arXiv，2 019. 11， https：//arxiv.org/pdf/1909.11942.pdf.

[12] Hochreiter S，Schmidhuber，J n rgen. Long Short-TermMem-onj[J].NeuralComputation，1997.9（8）： 1735-1780

[13] Graves A， Ju rgen Schmidhuber. Framewise phonemeclassi-fication with bidirectional LSTM and otherneural network arch-itectures[J]. Neural Networks，2005.18（5-6）：602 -610

[14] Yan S，Shi S，Li J，Zhang H. Directional Skip-Gram： Exp-Iicitly Distinguishing Left and Right Context forWord Embed-dings[C].NAACL，2018 （Short Paper）.

作者簡介：孫尉超（1996-），男，浙江紹興人，碩士研究生，主要研究方向：自然語言處理。

通訊作者：陳濤（1970-），男，浙江淳安人，博士，副教授，碩士研究生導(dǎo)師，主要研究方向：人工智能審計(jì)，模式識別等。