一种基于时空卷积神经网络的谣言源检测方法

1.本发明涉及时空卷积神经网络技术领域，更具体地，涉及一种基于时空卷积神经网络的谣言源检测方法。


背景技术：

2.社交网络在过去的几十年里迅速发展，并极大地改变了人们的生活方式。例如，在过去，由于通信技术较为落后，信息间的流通不便，人们在社交网络中通常处于信息接收者的位置。而现在，推特、脸书和新浪微博等社交网络已经成为了人们生活的一部分。在社交网络中，人们可以很容易地分享信息。由于通信技术的高速发展，人们现在可以以较低的成本通过社交网络进行交流和学习。然而，社交网络的高速发展也存在一些缺点，社交网络上的部分信息信息可能是谣言，并不是真实的。谣言等错误信息可以在社交网络上迅速、呈指数级传播，这可能会对个人、组织甚至社会带来破坏性的后果。因此对如此大规模的谣言传播情况，为能达到有效的谣言源头检测，使用大数据分析、人工智能进行结构化的处理至关重要。在谣言传播的早期，根据谣言感染过程构建谣言源感染快照图以及对其进行特征提取分析获得谣言源头可以有效帮助网络安全人员迅速控制谣言，而该方法的重点就是生成谣言传播感染图的节点特征以及通过时空卷积模型对节点特征进行融合，通过训练时空卷积模型从而实现对谣言源进行检测。
3.传统的谣言源头检测方法大多只以谣言扩散图的单一快照图作为输入来估计谣言源节点，忽略了谣言传播的时间特征。归功于技术的发展，现在可以获得谣言传播的不同阶段观察到的多个快照，这些独立的快照可以帮助揭示谣言传播的时间特征。而最近的研究工作中已经开始出现使用多快照作为输入的时空卷积模型。然而传统的时空卷积模型还是存在着缺陷，输入都是以单批次多快照图作为输入会导致谣言检测准确率不够理想；在空间卷积层使用传统的gcn进行卷积，这会带来模型训练时间过长和over-smoothing问题。
4.现有技术公开了一种基于图神经网络特征聚合的谣言检测方法及装置，方法包括：获取第一事件源文本图；将第一事件源文本图和训练标签输入至预设第一图神经网络模型进行训练，以确定图神经网络预测模型；将待检测的第一事件源文本图输入至图神经网络预测模型，以对互联网中的事件源文本及响应推文进行谣言检测。所述装置用于执行上述方法。该方案使用的是图神经网络，从文本级粒度和词语级粒度进行谣言判别，没有解决上述传统检测模型训练速度较慢和存在over-smoothing的问题。


技术实现要素：

5.本发明提供了一种基于时空卷积神经网络的谣言源检测方法，提高了谣言源检测准确率，同时克服了传统检测模型训练速度较慢和存在over-smoothing的问题。
6.本发明的首要目的是为解决上述技术问题，本发明的技术方案如下：一种基于时空卷积神经网络的谣言源检测方法，包括以下步骤：
7.s1：根据不同的谣言传播过程构建传播感染不同批次的快照图，每个批次的快照
图均包括不同时段的若干张快照；
8.s2：确定谣言传播模型，根据用户节点感染情况进行节点的标签分配；
9.s3：将已构建的多批次的快照图输入节点特征矩阵处理算法得到节点特征矩阵；
10.s4：将预设的社交网络图和得到的节点特征矩阵输入时空卷积模块提取时间空间特征组成时间空间特征矩阵；
11.s5：将提取的时间空间特征矩阵降维至整数；
12.s6：将s5得到的结果中节点标签最高值对应的节点作为该批次的预测谣言源节点。
13.进一步的，所述不同批次的快照图对应不同的且独立的谣言传播感染过程；所述不同时段的若干张快照对应谣言传播过程在不同时间段下图中用户节点的感染状态。
14.进一步的，不同批次的快照图获取方法为：通过在每个批次中选择快照图中任意一个节点作为源节点，而后通过多次迭代传播感染，快照图中记录每次迭代感染后图中所有节点的感染状态；
15.不同时段的若干张快照获取方式为：在每次批次下的多副快照图中随机选择部分快照图。
16.进一步的，确定谣言传播模型，根据用户节点感染情况进行节点的标签分配具体过程为：选择sir传播模型作为谣言传播模型，根据用户节点类型，将节点根据感染情况分配，未感染人群标记为susceptible(s)类，代表还没接收到谣言信息的用户；感染人群标记为infected(i)类，代表该用户已经转发或发布了谣言；感染后痊愈的人群标记为recovery(r)类，代表转发或发布了谣言后发现内容为谣言，对谣言内容删除的用户；根据sir情况分配节点标签，s类标签赋值为-1，i类标签赋值为+1,r类标签赋值为-1。
17.进一步的，步骤s3的具体过程为：
18.将感染状态矩阵x、度矩阵d和邻接矩阵a与超参数α作为节点特征矩阵处理算法的输入，其中超参数α代表节点从邻居节点聚合的标签值的百分比；
19.根据谣言传播模型中节点的位置关系构造关系图，构造矩阵a为关系图的邻接矩阵，其中d是对角线矩阵，其(i,i)元素等于a的第i行的和；
20.设置快照图批次为q，快照数量为t，社交网络图的用户节点数量为n，则依据步骤s2中实现节点标签分配获得所有批次所有快照的节点感染状态矩阵因矩阵运算操作适用于二维矩阵，则将矩阵x的维度通过reshape函数降至二维矩阵而后定义p和o的矩阵赋值为所述的二维矩阵p矩阵将其矩阵中元素为-1的值赋值为0，o矩阵将矩阵中元素为+1的值赋值为0；
21.为了获取节点rumor centrality特征和source prominence特征，定义4个矩阵a,b,c,d，其中a,b,c,d四个矩阵分别为a＝x1，b＝(1-α)(i-αu)-1
x1，c＝(1-α)(i-αu)-1
p，d＝＝(1-α)(i-αu)-1
o；
22.其中定义p和o矩阵是为了获取c和d矩阵。其中b矩阵可以捕获到节点的sourceprominence特征，c和d可以捕获节点的rumorcentrality特征；而后将a,b,c,d四个矩阵通过concatenate函数进行拼接，通过reshape函数将矩阵复原成4维矩阵y0，即节点特
征矩阵。
23.进一步的，节点特征矩阵表示为q
×
t
×n×cin
，其中q为快照图批次数量，t为每个批次下收集的时间快照量，n为观测的用户节点数量，c
in
为输入维度。
24.进一步的，所述时空卷积模块包括：第一时间卷积层、第一空间卷积层、第二时间卷积层，第一时间卷积层的输出端连接第一空间卷积层的输入端，第一空间卷积层的输出端连接至第二时间卷积层输入端，其中，第一时间卷积层和第二时间卷积层均由cnn和激活函数glu组成，第一时间卷积层和第二时间卷积层表达式如下：
[0025][0026]
在公式(1.1)中，x表示时间卷积层的输入矩阵，时空卷积模块的第一时间卷积层的输入x对应于s3中得到的节点特征矩阵y0，设cnn的卷积核大小为k
t
，则每通过一层时间卷积层，节点的时间序列便减少k
t-1，其中c
out1
代表输出维度；
[0027]
所述第一空间卷积层采用appnp提取节点的空间特征，第一空间卷积层将图卷积的消息传播公式解耦为邻域聚合公式和特征转换公式；第一空间卷积层对其中的邻域聚合公式添加一个超参数控制节点进行邻域聚合时，聚合节点的部分原始特征，第一空间卷积层表达式如下：
[0028]h(0)
＝z＝f
θ
(y1) (1.2)
[0029][0030][0031]
公式(1.2)为特征转换公式，其中f
θ
为参数集为θ的神经网络，使用该公式去预测节点所属类别；公式(1.3)为邻域聚合公式，通过公式(1.3)可为每个节点聚合其邻居节点的特征；其中δ为设置的超参数，代表任意节点v从自身节点v的原始特征聚合的标签信息的百分比，z为节点的初始特征；在进行邻域聚合时通过聚合部分原始特征z从而克服over-smoothing问题；其中a为邻接矩阵，i为单位矩阵，h
(l+1)
代表第(l+1)层的激活矩阵；在公式(1.4)中，l代表了幂次迭代步数。其中l∈[0,l-2]；通过公式(1.2)、(1.3)及(1.4)提取并聚合节点的空间特征；
[0032]
经过一个时间卷积层节点的时间序列会减少k
t-1，一个时空卷积模块中包含了两个时间卷积层，因此每经过一个时间模块，节点的时间序列会减少2k
t-2；
[0033]
设定采用l1个时空卷积模块提取特征，则节点特征矩阵的时间序列会减少2l1k
t-2l1，则经过l1个时空卷积模块后的输出矩阵其中c
out
代表最后一个时间卷积层的输出维度。
[0034]
进一步的，将提取的时间空间特征降维至整数在谣言传播模型的输出层完成，所述输出层包括：一层时间卷积层和一层全连接层组成，通过时间卷积层将节点特征矩阵的时间序列降低至1，通过全连接层将最后一个时间卷积层的输出维度c
out
降低为1，因为时间序列降低至1，c
out
降低至1后便可通过reshape函数降维，将4维矩阵降维至二维矩阵
其中矩阵y中的第i行j列的值代表的就是对应的第i批次感染过程下，节点j为谣言源节点的概率，输出层表示为如下公式：
[0035][0036]
其中fc代表全连接层，为了实现每个批次下标签值总和为1，使用softmax函数将节点的输出归一化最终得到归一化处理后的矩阵y4，归一化后的节点标签值对应的就是该节点为谣言源节点的概率。
[0037]
进一步的，将s5得到的结果中节点标签最高值作为谣言源，具体过程为：将步骤s5输出的结果使用argmax函数获取q个批次中每个批次标签值最高的节点作为该批次的预测谣言源节点，表达式如下：
[0038]
y＝arg max(y4) (1.6)
[0039]
最终由y可以判定出所有批次中预测的谣言源节点。
[0040]
进一步的，在步骤s6中使用cross-entropy函数作为损失函数，源节点检测任务描述为如下公式：
[0041][0042]
其中v代表图中任意节点，v代表图中所有节点的集合，g代表社交网络图，s代表输入的快照图，p(v|(g,s))代表节点v成为源结点的概率。
[0043]
与现有技术相比，本发明技术方案的有益效果是：
[0044]
本发明通过不同批次的若干张快照图提取节点特征，提高了谣言源检测的准确率，通过引入改进的时空卷积模块，避免了传统时空卷积模型的over-smoothing和训练时间过长问题。
附图说明
[0045]
图1为本发明实施例一种基于时空卷积神经网络的谣言源检测方法流程图。
[0046]
图2为本发明实施例感染模型示意图。
[0047]
图3为本发明实施例节点特征矩阵处理算法过程图。
[0048]
图4为本发明实施例时空卷积模块示意图。
具体实施方式
[0049]
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本技术的实施例及实施例中的特征可以相互组合。
[0050]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
[0051]
实施例1
[0052]
如图1所示，一种基于时空卷积神经网络的谣言源检测方法，包括以下步骤：
[0053]
s1：根据不同的谣言传播过程构建传播感染不同批次的快照图，每个批次的快照图均包括不同时段的若干张快照；
[0054]
需要说明的是，所述不同批次的快照图对应不同的且独立的谣言传播感染过程；所述不同时段的若干张快照对应谣言传播过程在不同时间段下图中用户节点的感染状态。
[0055]
不同批次的快照图获取方法为：通过在每个批次中选择快照图中任意一个节点作为源节点，而后通过多次迭代传播感染，快照图中记录每次迭代感染后图中所有节点的感染状态；
[0056]
不同时段的若干张快照获取方式为：在每次批次下的多副快照图中随机选择部分快照图。
[0057]
在一个具体的实施例中，通过收集社交网络上谣言传播的资料，根据收集到的谣言传播过程资料，记录单个谣言源头的传播不同时间段下社交网络所有节点的感染状态从而构建多副快照图。通过记录不同的谣言传播过程，每个谣言传播过程都记录为一个批次，对应所有批次下的多快照进行随机筛选，即每个批次下选择部分记录的快照图作为输入，从而降低模型出现over-smoothing的概率。将所有传播过程划分成训练集，测试集，验证集。在本发明中采用模拟感染实现模拟谣言传播过程，给定一个社交网络图，选择图中任意一个节点作为谣言源节点进行感染，将该感染过程下节点的状态快照图记录保存。上述流程为单个批次的多副感染快照图生成过程。
[0058]
s2：确定谣言传播模型，根据用户节点感染情况进行节点的标签分配；
[0059]
需要说明的是，谣言传播的感染过程与病毒感染传播过程相似，因此本发明使用sir感染模型作为传播模型。将谣言感染快照图中的每个用户节点根据其感染情况先给予每个节点对应的标签，若用户节点是感染者，即s，则标签赋值为+1，若是未感染者即i,则标签赋值为-1，若是感染后痊愈人群即r，赋值为+1。
[0060]
感染模型目前比较常见的有三类：susceptible-infected(si)模型、susceptible-infected(sis)模型和susceptible-infected-recovery(sir)模型，因谣言传播过程与sir模型的传播方式更为相似，本发明采用的是sir模型。图2中所示，图中的节点表示社交网络用户，边缘表示用户之间的友谊。susceptible节点代表的是易感染用户，infected节点代表的是感染用户，recovery节点代表的是痊愈用户。谣言只能从受感染的节点传播到易感染的节点，并要求两个用户存在朋友关系(即有线相连)，而每个已感染用户存在一定的概率痊愈，成为痊愈用户，恢复的用户将不会再次被感染，也将不会感染或治愈邻居用户。例如图2中v1节点会以p概率被v2节点所感染。而v1节点存在q的概率成为痊愈节点。根据谣言实际情况将人群实体分成sir三类，同时赋予标签。
[0061]
s3：将已构建的多批次的快照图输入节点特征矩阵处理算法得到节点特征矩阵；
[0062]
具体过程为：
[0063]
将感染状态矩阵x、度矩阵d和邻接矩阵a与超参数α作为节点特征矩阵处理算法的输入，其中超参数α代表节点从邻居节点聚合的标签值的百分比；
[0064]
根据谣言传播模型中节点的位置关系构造关系图，构造矩阵a为关系图的邻接矩阵，其中d是对角线矩阵，其(i,i)元素等于a的第i行的和；
[0065]
设置快照图批次为q，快照数量为t，社交网络图的用户节点数量为n，则依据步骤
s2中实现节点标签分配获得所有批次所有快照的节点感染状态矩阵因矩阵运算操作适用于二维矩阵，则将矩阵x的维度通过reshape函数降至二维矩阵而后定义p和o的矩阵赋值为所述的二维矩阵p矩阵将其矩阵中元素为-1的值赋值为0，o矩阵将矩阵中元素为+1的值赋值为0；
[0066]
为了获取节点rumorcentrality特征和sourceprominence特征，定义4个矩阵a,b,c,d，其中a,b,c,d四个矩阵分别为a＝x1，b＝(1-α)(i-αu)-1
x1，c＝(1-α)(i-αu)-1
p，d＝＝(1-α)(i-αu)-1
o；
[0067]
其中定义p和o矩阵是为了获取c和d矩阵。其中b矩阵可以捕获到节点的source prominence特征，c和d可以捕获节点的rumor centrality特征；而后将a,b,c,d四个矩阵通过concatenate函数进行拼接，通过reshape函数将矩阵复原成4维矩阵y0，即节点特征矩阵，该矩阵作为模型的输入通过捕捉到节点的source prominence和rumor centrality特征进一步提升模型的谣言源检测准确率。
[0068]
s4：将预设的社交网络图和得到的节点特征矩阵输入时空卷积模块提取时间空间特征组成时间空间特征矩阵；
[0069]
需要说明的是，本发明的模型输入是基于社交网络图而构建的不同批次快照，时空卷积模型中的时间卷积层是基于s3获得的节点特征矩阵y0提取节点传播的时间特征，所以需要将节点特征向量矩阵作为输入。同时时空卷积模型中的空间卷积层基于社交网络图的节点连通性提取节点的空间特征，因此需要将社交网络图也作为模型的输入。
[0070]
更具体的，节点特征矩阵表示为q
×
t
×n×cin
，其中q为快照图批次数量，t为每个批次下收集的时间快照量，n为观测的用户节点数量，c
in
为输入维度。
[0071]
需要说明的是，所述时空卷积模块包括：第一时间卷积层、第一空间卷积层、第二时间卷积层，第一时间卷积层的输出端连接第一空间卷积层的输入端，第一空间卷积层的输出端连接至第二时间卷积层输入端，其中，第一时间卷积层和第二时间卷积层均由cnn和激活函数glu组成，第一时间卷积层和第二时间卷积层表达式如下：
[0072][0073]
在公式(1.1)中，x表示时间卷积层的输入矩阵，首个时空卷积模块的第一时间卷积层的输入x对应于s3中得到的节点特征矩阵y0，设cnn的卷积核大小为k
t
，则每通过一层时间卷积层，节点的时间序列便减少k
t-1，其中c
out1
代表输出维度；
[0074]
所述第一空间卷积层采用appnp提取节点的空间特征，第一空间卷积层将图卷积的消息传播公式解耦为邻域聚合公式和特征转换公式；第一空间卷积层对其中的邻域聚合公式添加一个超参数控制节点进行邻域聚合时，聚合节点的部分原始特征，第一空间卷积层表达式如下：
[0075]h(0)
＝z＝f
θ
(y1) (1.2)
[0076][0077]
[0078]
公式(1.2)为特征转换公式，其中f
θ
为参数集为θ的神经网络，使用该公式去预测节点所属类别；公式(1.3)为邻域聚合公式，通过公式(1.3)可为每个节点聚合其邻居节点的特征；其中δ为设置的超参数，代表任意节点v从自身节点v的原始特征聚合的标签信息的百分比，z为节点的初始特征；在进行邻域聚合时通过聚合部分原始特征z从而克服over-smoothing问题；其中a为邻接矩阵，i为单位矩阵，h
(l+1)
代表第(l+1)层的激活矩阵；在公式(1.4)中，l代表了幂次迭代步数。其中l∈[0,l-2]；通过公式(1.2)、(1.3)及(1.4)提取并聚合节点的空间特征；
[0079]
经过一个时间卷积层节点的时间序列会减少k
t-1，一个时空卷积模块中包含了两个时间卷积层，因此每经过一个时间模块，节点的时间序列会减少2k
t-2；
[0080]
设定采用l1个时空卷积模块提取特征，则节点特征矩阵的时间序列会减少2l1k
t-2l1，则经过l1个时空卷积模块后的输出矩阵其中c
out
代表最后一个时间卷积层的输出维度。
[0081]
实施例2
[0082]
本实施例基于上述过程，具体阐述时间空间特征矩阵和谣言源节点的确定。
[0083]
s5：将提取的时间空间特征矩阵降维至整数；
[0084]
需要说明的是，在步骤s4中已提取时间空间特征矩阵，接下来需要其降维二维矩阵，进一步的聚合压缩特征，从而得到每个节点的标签值作为该节点是谣言源的概率。将提取的时间空间特征降维至整数在谣言传播模型的输出层完成，所述输出层包括：一层时间卷积层和一层全连接层组成，通过时间卷积层将节点特征矩阵的时间序列降低至1，通过全连接层将最后一个时间卷积层的输出维度c
out
降低为1，因为时间序列降低至1，c
out
降低至1后便可通过reshape函数降维，将4维矩阵降维至二维矩阵其中矩阵y中的第i行j列的值代表的就是对应的第i批次感染过程下，节点j为谣言源节点的概率，输出层表示为如下公式：
[0085][0086]
其中fc代表全连接层，为了实现每个批次下标签值总和为1，使用softmax函数将节点的输出归一化最终得到归一化处理后的矩阵y4，归一化后的节点标签值对应的就是该节点为谣言源节点的概率。
[0087]
s6：将s5得到的结果中节点标签最高值对应的节点作为该批次的预测谣言源节点。
[0088]
需要说明的是，在本步骤中，通过argmax函数可实现筛选出标签值最大的节点。根据源中心性原则，挑选出n维向量中节点值，而筛选出的节点列表即是训练后的算法计算得出的可能谣言源。在本步骤中，将s5获得的二维矩阵y4作为argmax函数的输入最终获取每个批次下预测的谣言源节点。
[0089]
具体过程为：
[0090]
将步骤s5输出的结果使用argmax函数获取q个批次中每个批次标签值最高的节点作为该批次的预测谣言源节点，表达式如下：
[0091]
y＝arg max(y4) (1.6)
[0092]
最终由y可以判定出所有批次中预测的谣言源节点。
[0093]
在步骤s6中使用cross-entropy函数作为损失函数，源节点检测任务描述为如下公式：
[0094][0095]
其中v代表图中任意节点，v代表图中所有节点的集合，g代表社交网络图，s代表输入的快照图，p(v|(g,s))代表节点v成为源结点的概率。
[0096]
实施例3
[0097]
本实施例通过具体的数据进行验证与分析。
[0098]
s1：在本发明中，给定一个社交网络图g，图中节点数量为1000。通过ndlib.models.epidemics包来模拟sir感染过程。将社交网络图作为输入，本发明中生成2000个批次的感染过程，每个感染过程为30次迭代感染。因此使用random函数给定一个2000个随机数字的数组，数字范围在(0,n]之间，n为社交网络图的节点个数。将该数组作为2000个感染批次下的谣言源，而后进行30次迭代感染，感染率和痊愈率分别设置为0.25和0.1。将每次迭代后的节点状态记录下来形成快照图。对应于每个感染批次下生成30张感染快照图。而后对每个批次下的感染快照图进行随机选择，随机选择16张感染快照图作为输入。即最终输入为2000个感染过程批次，每个批次下16张感染快照图作为输入。再将1600个感染过程快照图作为训练集，200个感染过程作为测试集，200个感染过程作为验证集。同时训练批次设置为50次。
[0099]
s2：对应初始情况节点设置循环设置标签，感染节点设置标签为+1，未感染节点和感染后痊愈节点设置标签为-1，将2000个批次的感染过程的每个快照图对应的节点标签根据感染情况设置完毕。而后根据节点标签情况构造节点感染状态矩阵
[0100]
s3：本步骤的目的是获取节点的sourceprominence和rumorcentrality特征。该算法的流程图如图3所示。根据s2获取的节点状态矩阵x，同时通过s1中的社交网络图g获得对应的邻接矩阵a，由邻接矩阵获得度矩阵d。为了避免过高的聚合比率会导致过拟合问题，将超参数α设置为0.5，将x，a，d，α作为多批次多快照输入算法的输入。图3步骤1通过如下公式获取归一化矩阵u：
[0101][0102]
在图3步骤2中通过reshape函数将三维矩阵x降维至二维矩阵在图3算法步骤3至步骤12中紧接着定义并初始化p和o。而后通过两重循环将p中标签为-1的值修改为0，将o中标签为1的值修改为0。通过p和o获取矩阵c和矩阵d。在步骤13至步骤16中获取矩阵a,b,c,d。其中通过矩阵b获取节点的source prominence特征，通过c,d矩阵获取节点的rumor centrality特征。矩阵a,b,c,d均与矩阵x1维度一致。而后通过concatenate函数对矩阵a,b,c,d进行拼接后得到矩阵最后通过
reshape函数生成矩阵
[0103]
s4：将社交网络图g和s3对应的节点特征矩阵y时空卷积模块提取时间空间特征组成时间空间特征矩阵；
[0104]
s4：本模型的结构如图4所示。而时空卷积模块对应图中的st-conv block。
[0105]
s4.1.设置训练参数：时空卷积核模块数量设置为2，对应于第一个时空卷积模块第一层时间卷积层的输入维度和输出维度分别为4，64。第二层空间卷积层的输入维度和输出维度分别为64，64。第三层时间卷积层为64，128。第二个时空卷积模块中的输入维度和输出维度设置分别为：第一层为128，64，第二层为64，64。第三层为64，72。同时对应于时间卷积层的卷积核大小k
t
设置为3，空间卷积层的卷积核大小设置为5。
[0106]
s4.2.损失函数设置：因本发明针对的问题是多分类问题，所以采用cross-entropy函数作为损失函数。使用rmsprop优化器进行批处理梯度下降。学习速率从0.001开始，每经过5个训练批次的衰减速率为0.7。
[0107]
s4.3.特征提取以及训练：模型的时间卷积核大小k
t
设置为3，经过第一层时间卷积层对节点的时间特征进行提取融合后节点特征矩阵维度为2000
×
14
×
1000
×
64，而后通过第二层空间卷积层进行空间特征的提取融合后节点特征矩阵的维度维持不变，依旧为2000
×
14
×
1000
×
64。经过最后一层时间卷积层后矩阵的时间序列进一步压缩融合，节点特征矩阵降维至2000
×
12
×
1000
×
128。第二层时空卷积模块与第一层类似。经过两层时间卷积层和一层空间卷积层后的最终节点特征矩阵
[0108]
s5.：构建一层时间卷积层和一层全连接层作为输出层，将s4中的节点特征矩阵y3作为输出层的输入。y3经过第一层时间卷积层进行时间特征的卷积压缩，特征融合。通过该时间卷积层将节点的时间序列压缩为1从而得到矩阵，而后通过全连接层将输出维度也进行特征融合压缩为1得到矩阵最终将矩阵y
3”降维后得到的矩阵但因每个批次的标签值总和不为1，为得到每个批次下每个节点称为谣言源节点的概率，本发明通过softmax函数进行归一化从而得到最终的概率矩阵y。
[0109]
s6.：根据源中心性原则，对应每个批次感染过程下，在n个节点中标签值最高的节点即是预测的谣言源。筛选出的节点列表即是训练后的算法计算得出的可能谣言源。在本步骤中，通过argmax函数可实现筛选出标签值最大的节点。将最终矩阵y作为argmax函数的输入即可得到每个批次下成为谣言源概率最大的节点。
[0110]
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。