[23]模型：是2017年被提出來的簡單的神經(jīng)網(wǎng)絡(luò)模型，主要在特征提取的計(jì)算方面可以更便捷。（8）BERT-DPCNN模型：是本文所提出用來檢測微博謠言的模型，主要應(yīng)用用戶信息特征，結(jié)合微博文本內(nèi)容信息特征來進(jìn)行微博謠言檢測。上面所介紹的模型，第一個(gè)和第二個(gè)屬于具有代表性的機(jī)器學(xué)習(xí)模型，其余的屬于深度學(xué)習(xí)模型。所有模型均使用同一個(gè)數(shù)據(jù)集，使用上文所提到的模型評價(jià)指標(biāo)，以此來對比分析本模型的優(yōu)勢所在。1.5.3實(shí)驗(yàn)數(shù)據(jù)分析將用戶信息特征應(yīng)用于本模型。由于機(jī)器學(xué)習(xí)方法得到的準(zhǔn)確率在78%以上，所以最后選取使準(zhǔn)確率不低于78%的特征。在用戶信息特征中，經(jīng)過實(shí)驗(yàn)選取了影響最大的6個(gè)特征，如表3-3所示。將選取的用戶信息特征和微博文本特征組合在一起，對微博謠言信息進(jìn)行檢測，提升謠言檢測的效果。首先將微博認(rèn)證，關(guān)注數(shù)量，粉絲數(shù)量，用戶的簡介，性別，發(fā)布的地點(diǎn)這些重要的用戶信息特征分別融入本模型。接著對用戶信息加入模型與不加入模型做了對比實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果顯示，特征融入模型之后，準(zhǔn)確率、召回率和F1值都有所提升，其中準(zhǔn)確率提高了2.2%，F(xiàn)1值提高了4.8%，召回率提高了1.7%。兩個(gè)實(shí)驗(yàn)相互對比的詳細(xì)結(jié)果如圖3-9所示。表3-3各特征的實(shí)驗(yàn)結(jié)果特征accuracyrecallF1-socre認(rèn)證0.8450.8490.847關(guān)注數(shù)量0.8070.7730.789粉絲數(shù)量0.7910.8940.839用戶的簡介0.8470.9000.873性別0.7840.7580.752發(fā)布的地點(diǎn)0.8280.7270.774圖3-9有無特征的對比結(jié)果上節(jié)中所提到的對比實(shí)驗(yàn)的模型其對比結(jié)果，如圖3-10所示。圖3-10中只應(yīng)用了準(zhǔn)確率（ACC）來展示。從圖中可以清晰的看出，機(jī)器學(xué)習(xí)模型的準(zhǔn)確率明顯低于深度學(xué)習(xí)模型，也證明了本模型較其他模型在準(zhǔn)確率方面有優(yōu)勢。圖3-10準(zhǔn)確率（ACC）對比結(jié)果表3-4模型對比結(jié)果模型準(zhǔn)確率召回率F1值DT-Rank0.6740.7820.724SVM-TS0.7980.8160.807RNN0.8350.8430.839LSTM0.8550.8830.869CNN0.8210.8250.823GRU0.8570.9000.878DPCNN0.8530.8830.867BERT-DPCNN0.8740.8990.886為了進(jìn)一步證明本模型的優(yōu)勢，表3-4給出了每個(gè)模型的三個(gè)評價(jià)指標(biāo)。表中可以明顯看出，本模型的效果比機(jī)器學(xué)習(xí)模型好，與其他深度學(xué)習(xí)模型相比，準(zhǔn)確率有所提高，與效果最差的基準(zhǔn)模型CNN相比準(zhǔn)確率提高了5.3%，與效果最好的基準(zhǔn)模型GRU相比準(zhǔn)確率提高了1.7%，從而證明了本模型在謠言檢測任務(wù)上是有效的，可能由于本模型在記憶力和處理長文本這兩方面做的更好，所以本模型才會(huì)比其他模型更有優(yōu)勢。綜上所述，通過實(shí)驗(yàn)結(jié)果表明BERT-DPCNN謠言檢測方法有三點(diǎn)優(yōu)勢：一是引入了用戶信息特征，對比只應(yīng)用文本特征的DPCNN模型，無論是從準(zhǔn)確率、召回率還是從F1值方面都有提升。二是本模型使用了BERT模型作為預(yù)訓(xùn)練模型，對比傳統(tǒng)的詞語訓(xùn)練模型，BERT模型