2025《基于深度学习的BERT-RCNN-Pooling融合模型的真伪新闻识别系统分析》10000字.docx

PAGE13

PAGE13

基于深度学习的BERT-RCNN-Pooling融合模型的真伪新闻识别系统分析

目录

TOC\o1-2\h\u7684摘要 1

318321绪论 2

92511.1研究背景和意义 2

64911.2国内外研究进展与现状 2

54071.3本论文主要研究内容 3

276441.4论文结构安排 3

13206第二章：介绍了本文所使用的相关技术。 3

143782背景知识 4

62622.1自然语言处理模型 4

278792.2注意力机制 7

44232.3文本预处理技术 8

312312.4本章小结 8

198333基于BERT-RCNN-Pooling模型的真伪新闻识别 10

155093.1BERT预训练模型 10

151863.2循环卷积神经网络(RCNN) 12

2173.3本章小结 13

146504实验过程与分析 13

191084.1实验数据 13

98444.2实验过程 13

255534.3对比实验 14

303354.4实验结果及分析 15

262564.5实验小结 15

175985总结与展望 16

273895.1总结 16

46295.2未来展望 16

摘要

随着信息化社会的快速发展，社交媒体平台如雨后春笋般发展起来，新闻在以前所未有的速度传播着。近年来，因为虚假新闻而造成严重危害的例子时有发生，因此，对于真伪新闻识别的研究迫在眉睫。

虚假新闻是指为了达成某种目的从而发布假的信息以达到欺骗当事者的一种舆论。虚假新闻并不能真实反映事物的本来面貌，并且还会带来严重的社会恐慌等不可逆的后果。但新闻文本的主要载体还是文本，所以对虚假新闻的有效识别可以抽象为自然语言处理领域内的文本分类任务，根据处理得到的新闻文本的特征，进行真假新闻的分类。并且针对该任务，本文提出了基于深度学习的BERT-RCNN-Pooling的融合模型，在输入上引入字词结合的形式，另外充分利用假新闻的关键词特征进行优化。并且通过设计的对比实验，可以更全面地证明本文提出的模型的有效性。

关键字：深度学习，虚假新闻识别，BERT，RCNN

绪论

研究背景和意义

随着时间的推移，互联网科技蓬勃发展，微信、微博、今日头条等媒体平台都在以极快的速度传播着新闻消息。与电视、报纸等传统媒体相比，媒体平台发布或浏览新闻往往成本更加低廉，也更加方便快捷，所以在社会中受到了人们的青睐，得以广泛使用，同时也改变着现代人们的生活方式。但同时，一些危害也随之产生，由于网络的匿名性，让亿万用户都可以时时处处地发表自己的见地和主张，导致海量未经证实的新闻涌入社会并迅速传播，引导舆论，诓骗大众，给社会造成了巨大的危害。因此，识别虚假新闻并加以管理成为了这个时代迫在眉睫的问题。然而，依靠人工去识别虚假新闻，不仅费时成本高，而且整个识别过程有很大的时延。所以，愈发多的学者开始重视虚假新闻的研究，试图将其与真实可靠的新闻区别开。

对于虚假新闻，在2017年Shu等人给出这样的定义：虚假新闻是证实为虚假且故意发布的新闻报道，且意在诱导人们，对社会以及经济方面将造成难以挽回的损害【1】。例如，在2016年的美国大选中，CNN(CounterfietNewsNetwork)、MSNBC(NothingbutCrap)这样的专业新闻媒体就制造过虚假新闻，其结果直接影响了美国大选的结果。并且这种影响往往是永久的，很难恢复的。尤其是在2020年发生新型冠状病毒疫情以来，在利益、政治立场等因素影响下，各类扭曲夸大真相的虚假新闻层出不穷。例如，2020年2月1日下午，一张《人民日报》电子版截图在微信群和朋友圈流传，截图中的新闻显示“暂免武汉红十字会救灾物资管理”，其实真相是武汉市红十字会从未暂停过救援物资接收管理。由于新冠疫情的不确定性给虚假新闻提供了可乘之机，而虚假新闻就成为公众情绪和社会热点的另类映射。但是这样的虚假新闻会使得社会动荡不安，严重损害了政府、权威部门的公信力。同时，还有人会利用大众的善良，借用新冠肺炎疫情求助发布虚假新闻来号召人们的捐款，实则骗到一定的钱款就会立即逃跑。长此以往，人和人的信任也会慢慢丧失。并且有研究显示，人们对于改变已经确定了的信念有着较为强烈的抵触心理，因此对于许多虚假新闻的澄清很多时候是无效的。例如，尼斯湖水怪已经被专家在各大平台多次表明是一场彻头彻尾的骗局，但依然很难改变大众对它的印象。

社会各界为了应对这样虚假信息泛滥的局面采取了很多措施。例如，中国互联网联合辟谣平台的成立，意在及时地官方遏