内容简介
本书聚焦于多模态融合技术在社交媒体安全领域的深度应用，围绕虚假信息检测、敏感信息识别与隐私保护三大核心任务展开系统研究。随着社交媒体的全面普及，文本、图像、视频等多模态数据呈爆发式增长，单一模态处理方法已难以应对复杂的信息安全挑战，而多模态融合技术通过整合多源异构数据、挖掘跨模态语义关联，为解决虚假信息传播、敏感信息泄露等难题提供了全新思路。本书深入探讨了基于多模态信息融合、跨模态信息聚合与门控融合网络的虚假新闻检测模型，提出了涵盖文本关联分析、BERTsoftmax分类及CLIP细粒度识别的敏感信息识别体系，同时构建了敏感信息敏感度计算模型以及社交网络控制模型等，形成了从技术原理、模型设计到实验验证的完整研究链条。
全书兼具理论深度与实践价值，可为计算机科学、网络空间安全、人工智能等领域的学术研究人员提供系统的理论支撑与技术参考，也可为社交平台、互联网企业的技术人员提供可落地的解决方案，还可为高校相关专业教学提供实践案例，为网络空间治理与监管人员制定政策提供技术依据，对构建安全、健康、可信赖的社交网络环境具有重要意义。
目录介绍
第1部分多模态信息融合
第1章研究背景与核心技术3
1.1研究背景3
1.2文本特征表示5
1.2.1TextCNN模型6
1.2.2BERT模型9
1.3图像特征表示11
1.3.1Faster RCNN模型11
1.3.2ResNet50模型12
1.3.3VGG19模型14
1.3.4协同注意力机制15
本章小结17
第2章基于多模态信息融合的虚假新闻检测18
2.1模型概述18
2.2多模态特征提取20
2.2.1文本特征提取20
2.2.2图像特征提取21
2.3相似性表示学习和推理22
2.3.1相似性表示学习22
2.3.2相似性推理23
2.4虚假新闻检测器24
2.5事件鉴别器25
2.6实验26
2.6.1数据集26
2.6.2实验设置27
2.6.3评估指标27
2.6.4基准模型28
2.6.5实验结果30
2.6.6消融实验分析32
本章小结33
第3章基于跨模态信息聚合和门控融合网络的虚假新闻检测35
3.1模型概述35
3.2多模态特征提取器37
3.2.1文本特征提取37
3.2.2图形特征提取37
3.3跨模态消息聚合模块38
3.4门控融合网络39
3.5多模态特征融合模块40
3.6虚假新闻检测器41
3.7实验42
3.7.1实验设置42
3.7.2基准模型43
3.7.3实验结果44
3.7.4消融实验46
3.7.5案例研究48
本章小结50
基于多模态敏感信息识别的社交网络访问控制技术｜目录｜第2部分社交网络多模态敏感信息识别
第4章敏感信息识别的核心技术与挑战53
4.1研究背景53
4.2循环神经网络56
4.3图像特征提取技术57
4.4敏感信息识别的挑战60
4.4.1数据隐私问题60
4.4.2单模态任务面临的挑战61
4.4.3多模态任务面临的挑战62
4.4.4多模态特征融合问题65
本章小结66
第5章基于文本数据关联的敏感信息识别67
5.1关联敏感信息识别模型68
5.1.1相关定义68
5.1.2敏感信息量化68
5.1.3敏感项聚类分析70
5.1.4关联敏感信息识别过程70
5.2实验76
5.2.1实验数据76
5.2.2实验结果77
5.2.3对比分析79
本章小结80
第6章基于BERTsoftmax的敏感信息分类与敏感信息画像构建模型81
6.1背景介绍81
6.2整体结构82
6.2.1基于BERTsoftmax的社交网络用户敏感信息分类83
6.2.2社交网络用户敏感信息画像构建87
6.3实验88
6.3.1实验数据88
6.3.2开发环境与模型参数设置88
6.3.3基于BERTsoftmax的社交网络用户敏感信息分类实验89
6.3.4社交网络用户敏感信息画像构建实验91
本章小结93
第7章基于CLIP模型的社交网络敏感信息细粒度识别技术95
7.1社交网络敏感信息保护95
7.2敏感信息泄露问题分析和任务分析95
7.2.1敏感信息泄露问题分析95
7.2.2任务分析96
7.3模型框架97
7.3.1模态鉴别器98
7.3.2单模态敏感信息识别100
7.3.3多模态融合敏感信息识别101
7.4实验103
7.4.1实验数据103
7.4.2数据处理104
7.4.3结果与分析105
本章小结106
第8章在线社交网络多模态敏感信息识别方法研究107
8.1问题描述107
8.2基础知识108
8.2.1多模态数据108
8.2.2BiLSTM109
8.2.3Faster RCNN109
8.2.4注意力机制112
8.2.5Transformer114
8.3基于双通道多跳推理机制的敏感信息识别115
8.3.1特征表示116
8.3.2多模态敏感信息推理117
8.3.3多模态特征融合119
8.3.4多模态自适应空间注意力解码器120
8.4实验122
8.4.1实验数据122
8.4.2基准模型122
8.4.3数据预处理123
8.4.4结果与分析124
本章小结124
第9章面向社交网络用户的敏感信息敏感度计算与提取模型126
9.1敏感信息类型分析126
9.2背景描述127
9.3整体结构128
9.3.1社交网络用户敏感信息敏感度计算模型129
9.3.2社交网络用户敏感信息提取模型131
9.4实验139
9.4.1实验数据139
9.4.2社交网络用户敏感信息敏感度计算实验139
9.4.3社交网络用户敏感信息提取实验145
本章小结149
第3部分访问控制
第10章社交网络现状与常见访问控制模型153
10.1社交网络现状153
10.2常见访问控制模型154
10.2.1基于信任的SNAC模型154
10.2.2基于规则的SNAC模型156
10.2.3基于属性的SNAC模型157
10.2.4基于多方协作的SNAC模型158
10.2.5复合SNAC模型159
本章小结160
第11章一种基于用户偏好的社交网络访问控制模型162
11.1背景描述162
11.2模型概述163
11.2.1模型的总体构成163
11.2.2模型的详细构成164
11.2.3模型执行流程166
11.2.4偏好分析机制166
11.2.5数据保护模块168
11.2.6访问控制策略生成171
11.3实验172
11.3.1数据集172
11.3.2实验环境172
11.3.3评价指标173
11.3.4结果分析173
本章小结177
第12章一种基于图神经网络的社交网络访问控制模型179
12.1背景介绍179
12.2问题描述180
12.3相关定义182
12.4模型结构182
12.4.1嵌入层183
12.4.2偏好传播融合层183
12.4.3访问控制输出层186
12.5实验188
12.5.1数据集188
12.5.2实验环境与设置188
12.5.3评价指标189
12.5.4基准模型189
12.5.5结果分析190
12.5.6模型详细分析191
本章小结192
第13章基于自然语言文档的ABAC策略自动生成方法193
13.1背景介绍193
13.2方法总体框架与关键模块设计195
13.2.1访问控制语句提取流程195
13.2.2Ptuning v2方法197
13.2.3ChatGLM模型的训练细节197
13.2.4访问控制语句属性挖掘模型198
13.2.5IDCNN模型199
13.2.6OBIE属性标注法200
13.3实验200
13.3.1数据集与实验环境201
13.3.2评估指标202
13.3.3基准模型202
13.3.4不同模型的实验结果分析203
13.3.5消融实验204
13.3.6不同属性标注方法对模型性能的影响205
本章小结206
参考文献208