基于用戶行為特征的謠言檢測(cè)方法案例分析目錄TOC\o"1-3"\h\u19939基于用戶行為特征的謠言檢測(cè)方法案例分析 [23]模型；BERT-DPCNN模型：是上一章所提出用來(lái)檢測(cè)謠言的模型，主要應(yīng)用用戶信息特征，結(jié)合微博文本特征來(lái)進(jìn)行微博謠言檢測(cè)。ERNIE-DPCNN模型：是本章所提出用來(lái)檢測(cè)微博謠言的模型，主要應(yīng)用用戶行為特征，結(jié)合用戶信息特征和微博文本特征來(lái)進(jìn)行微博謠言檢測(cè)。上面所介紹的模型，全都是具有代表性的模型。所有模型均使用同一個(gè)數(shù)據(jù)集以及上文所提到的評(píng)價(jià)指標(biāo)，以此來(lái)對(duì)比分析本模型的優(yōu)勢(shì)所在。為了驗(yàn)證謠言的分類結(jié)果的有效性，采用上一章提到的兩個(gè)機(jī)器學(xué)習(xí)算法，以及決策樹(shù)算法，RNN模型，LSTM模型，GRU模型，CNN模型，DPCNN模型和第三章提出的BERT-DPCNN模型與本章提出的模型作對(duì)比。首先被用到謠言檢測(cè)中的深度學(xué)習(xí)模型是RNN模型，與機(jī)器學(xué)習(xí)方法相比效果有所提升。使用該典型模型得到的實(shí)驗(yàn)結(jié)果，更加有說(shuō)服力。LSTM模型是RNN模型的升級(jí)版，解決了RNN的記憶力問(wèn)題，在謠言檢測(cè)方面應(yīng)用與RNN相比更加廣泛。而GRU模型又是LSTM模型的變體，應(yīng)用起來(lái)更加便捷。CNN模型在處理特征方面有獨(dú)特的優(yōu)勢(shì)，BERT模型是如今火熱的處理數(shù)據(jù)的模型。本模型與這些應(yīng)用廣泛的模型作比較更具有說(shuō)服力，其實(shí)驗(yàn)結(jié)果如圖4-7所示。圖4-7不同模型的實(shí)驗(yàn)結(jié)果對(duì)比圖從圖4-7中可以看出，ERNIE和DPCNN組合模型的準(zhǔn)確率高于其它，主要是因?yàn)镋RNIE和DPCNN兩個(gè)模型的結(jié)合，可以雙重解決文本長(zhǎng)距離依賴的關(guān)系問(wèn)題。其中，ERNIE可以連續(xù)學(xué)習(xí)，縮短處理數(shù)據(jù)的時(shí)間，DPCNN緩解了梯度消失的問(wèn)題同時(shí)也加快了特征的傳遞。從圖中可以看出，本模型比RNN模型的準(zhǔn)確率提高了8.5%；比LSTM模型的準(zhǔn)確率提高了5.5%；比GRU模型的準(zhǔn)確率提高了3%；比CNN模型的準(zhǔn)確率提高了3.6%；比DPCNN模型的準(zhǔn)確率提高了2.9%；比BERT-DPCNN模型的準(zhǔn)確率提高了2.6%。綜上，與深度學(xué)習(xí)模型相比，本文的模型得到的結(jié)果是最好的。綜上所述，通過(guò)實(shí)驗(yàn)結(jié)果表明ERNIE-DPCNN謠言檢測(cè)方法有三點(diǎn)優(yōu)勢(shì)：一是引入了用戶行為特征，并提出用戶行為特征、用戶信息特征及問(wèn)題特征相結(jié)合的方法，驗(yàn)證用戶行為特征對(duì)謠言檢測(cè)的幫助。對(duì)比只應(yīng)用文本特征的ERNIE-DPCNN模型，在準(zhǔn)確率、召回率和F1值方面都有提升。二是本模型使用了ERNIE模型作為預(yù)訓(xùn)練模型，對(duì)比BERT訓(xùn)練模型，ERNIE模型可以處理中文數(shù)據(jù)的同時(shí)，對(duì)句子的處理更加