本发明涉及金融科技，尤其涉及一种谣言检测方法、装置、系统及介质。
背景技术：
1、社交媒体平台的发展极大地促进了信息的传播，一方面为互联网的网民拓展了解信息的渠道，另一方面会导致未经证实事件的传播，即互联网谣言。在金融领域中，谣言检测是一项较为重要的技术，通过谣言检测，可以防止市场欺诈，提高信息透明度，减少系统性风险。
2、现有的谣言检测往往通过情感词典、深度学习模型、知识图谱等方式实现。但是现有的方式往往只单单用一种信息来源来做训练，对多信息渠道的泛化能力很差，在面对混杂的信息时模型显得相对无力，降低了谣言检测的准确性和稳定性。
技术实现思路
1、鉴于上述现有技术的不足，本发明的目的在于提供可应用于金融科技或其它相关领域的一种谣言检测方法、装置、系统及介质，其主要目的在于提高谣言检测的准确率和稳定性。
2、本发明的技术方案如下：
3、本发明第一方面提供一种谣言检测方法，包括：
4、采集待检测的多模态信息，根据所述多模态数据构建相应的社交网络图；
5、通过图卷积神经网络对所述社交网络图进行实体关系融合，更新所述社交网络图的节点特征；
6、将更新后的社交网络图输入到训练好的谣言检测模型中，通过模型中的momentum参数对更新后的社交网络图中各节点的节点向量与边向量进行加权平均，得到相应的加权平均向量；
7、通过所述谣言检测模型中的分类器对所述加权平均向量进行二分类处理，输出相应的谣言检测结果。
8、在一个实施例中，所述采集待检测的多模态信息，根据所述多模态数据构建相应的社交网络图，包括：
9、采集待检测的多模态信息，所述多模态信息包括用户信息、传播模式信息和传播内容信息；
10、根据所述用户信息、传播模式信息和传播内容信息分别提取得到用户特征向量、传播模式向量和信息内容向量；
11、将所述用户特征向量作为节点向量，并根据所述传播模式向量和信息内容向量计算相应的边向量，通过图神经网络构建相应的社交网络图。
12、在一个实施例中，所述根据所述传播模式向量和信息内容向量计算相应的边向量，具体包括：
13、对所述传播模式向量和信息内容向量进行加权求和，得到相应的边向量。
14、在一个实施例中，所述momentum参数通过以下步骤训练得到：
15、计算用户造谣率并对所述momentum参数进行初始化，所述momentum参数用于调整模型的梯度更新方向和大小；
16、在模型训练中更新梯度时，根据当前的momentum参数与用户造谣率对学习率进行更新，通过更新后的学习率对所述momentum参数进行调整，直到模型完成训练。
17、在一个实施例中，所述计算用户造谣率并对所述momentum参数进行初始化，具体包括：
18、通过公式urr＝(1+2^2)*(nrx+ntx)/(2^2*nrx+ntx)计算用户造谣率，其中urr为用户造谣率，nrx为接收造谣数量，ntx为发出造谣数量；
19、将所述momentum参数初始化为所述用户造谣率。
20、在一个实施例中，所述根据当前的momentum参数与用户造谣率对学习率进行更新，具体包括：
21、通过公式learning_rate’＝learning_rate*momentum权重系数
22、
23、对学习率进行更新，其中learning_rate’为更新后的学习率，learning_rate为更新前的学习率，momentum为当前的momentum参数，urr为用户造谣率。
24、在一个实施例中，所述分类器包括全连接层和softmax层，所述通过所述谣言检测模型中的分类器对所述加权平均向量进行二分类处理，输出相应的谣言检测结果，包括：
25、将所述加权平均向量输入到所述全连接层中，输出谣言类别和非谣言类别的原始预测值；
26、将谣言类别和非谣言类别的原始预测值输入到softmax层中，通过softmax函数将所述原始预测值转换对应的概率，选择概率最高的类别作为谣言检测结果。
27、本发明第二方面提供一种谣言检测装置，包括：
28、图构建模块，用于采集待检测的多模态信息，根据所述多模态数据构建相应的社交网络图；
29、图卷积模块，用于通过图卷积神经网络对所述社交网络图进行实体关系融合，更新所述社交网络图的节点特征；
30、加权处理模块，用于将更新后的社交网络图输入到训练好的谣言检测模型中，通过模型中的momentum参数对更新后的社交网络图中各节点的节点向量与边向量进行加权平均，得到相应的加权平均向量；
31、检测分类模块，用于通过所述谣言检测模型中的分类器对所述加权平均向量进行二分类处理，输出相应的谣言检测结果。
32、本发明第三方面提供一种谣言检测系统，所述系统包括至少一个处理器；以及，
33、与所述至少一个处理器通信连接的存储器；其中，
34、所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述谣言检测方法。
35、本发明第四方面提供一种非易失性计算机可读存储介质，所述非易失性计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器执行时，可使得所述一个或多个处理器执行上述的谣言检测方法。
36、有益效果：本发明公开了一种谣言检测方法、装置、系统及介质，相比于现有技术，本发明实施例采集待检测的多模态信息，根据所述多模态数据构建相应的社交网络图；通过图卷积神经网络对所述社交网络图进行实体关系融合，更新所述社交网络图的节点特征；将更新后的社交网络图输入到训练好的谣言检测模型中，通过模型中的momentum参数对更新后的社交网络图中各节点的节点向量与边向量进行加权平均，得到相应的加权平均向量；通过所述谣言检测模型中的分类器对所述加权平均向量进行二分类处理，输出相应的谣言检测结果。通过构建社交网络图和图卷积处理的方式支持多模态信息的检测，并且引入momentum参数对节点特征进行加权处理，增加了谣言检测的准确率和稳定性。
1.一种谣言检测方法，其特征在于，包括：
2.根据权利要求1所述的谣言检测方法，其特征在于，所述采集待检测的多模态信息，根据所述多模态数据构建相应的社交网络图，包括：
3.根据权利要求2所述的谣言检测方法，其特征在于，所述根据所述传播模式向量和信息内容向量计算相应的边向量，具体包括：
4.根据权利要求1所述的谣言检测方法，其特征在于，所述momentum参数通过以下步骤训练得到：
5.根据权利要求4所述的谣言检测方法，其特征在于，所述计算用户造谣率并对所述momentum参数进行初始化，具体包括：
6.根据权利要求5所述的谣言检测方法，其特征在于，所述根据当前的momentum参数与用户造谣率对学习率进行更新，具体包括：
7.根据权利要求1所述的谣言检测方法，其特征在于，所述分类器包括全连接层和softmax层，所述通过所述谣言检测模型中的分类器对所述加权平均向量进行二分类处理，输出相应的谣言检测结果，包括：
8.一种谣言检测装置，其特征在于，包括：
9.一种谣言检测系统，其特征在于，所述系统包括至少一个处理器；以及，
10.一种非易失性计算机可读存储介质，其特征在于，所述非易失性计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器执行时，可使得所述一个或多个处理器执行权利要求1-7任一项所述的谣言检测方法。
