CN112732921A - 一种虚假用户评论检测方法及*** - Google Patents

Abstract

本发明提供了一种虚假用户评论检测方法及***，包括以下步骤：收集用户的产品评论和评论涉及的主题文本，建立用户评论数据集；使用用户评论数据集S，对虚假用户评论检测模型行预训练，模型由文本生成器G、鉴别器D以及分类器C三个模块构成；使用用户评论数据集S，对虚假用户评论检测模型进行对抗训练；将用户评论与主题输入虚假用户评论检测模型的分类器中，输出对用户评论的检测结果，即用户评论为虚假评论或真实评论。本发明的方法能够得到准确性更高的检测结果。

Description

一种虚假用户评论检测方法及***

技术领域

本发明涉及自然语言处理技术领域，特别是一种虚假用户评论检测方法及***。

背景技术

虚假用户评论指故意提升或诋毁商品声誉和口碑的不真实评论，虚假用户评论检测是自然语言处理中文本分类任务的一项基本任务，其基本目标是根据用户评论的相关信息分析其语义关系，检测虚假性。随着电商平台的快速发展和逐渐成熟，虚假用户评论问题也越来越突出，许多国内外研究工作者开始就该问题开展工作。

虚假用户评论检测的早期研究通常采用传统的监督学习算法，该类研究着重于通过诸如N-gram、LDA等方法来提取特征以训练分类器。这些方法需要复杂的特征工程来提取文本特征，十分繁琐。最近，深度学习的神经网络模型，例如卷积神经网络(ConvolutionalNeural Network,CNN)与循环神经网络(Recurrent Neural Network,RNN)，已经在该任务上表现出最先进的性能，而且无需任何费力的特征工程。LiL等人使用卷积神经网络在文档级别上做语义表示进行虚假评论分类，通过在CNN中加入注意力机制，使用KL散度作为权重计算，先计算句中每一个词的重要性，再进一步得到评论句的重要性权重，与评论句向量加权后组合为文档向量用于分类；Zhao等人提出在CNN的卷积层和池化层中嵌入语序特征，以捕获评论的语序相关的语义特征，使得CNN更适合解决虚假评论检测的问题；Wang等人提出一种基于注意力机制的CNN模型，通过CNN的进行特征提取，结合注意力机制对评论的语义和行为两个维度进行分析，使得模型学会从语义或者行为角度，甚至同时参考两个角度进行分类；Y.Ren等人使用卷积神经网络并结合循环神经网络建立模型识别虚假评论，其中使用卷积神经网络来学习评论句表示，然后使用带有注意机制的门控循环神经网络对其进行组合，以对话语信息进行建模并生成文档向量，最后，文档表示形式将直接用于虚假评论识别；Yuan等人结合评论者和产品进行特征提取和虚假评论分类，提出了一种基于自注意力的模型，通过对评论文本进行自注意力编码得到语义表示，再利用向量分解得到评论者相关表示和产品相关表示，组合特征后进行分类；Li等人提出一种基于图卷积神经网络(Graph Convolutional Network，GCN)的虚假评论检测，分别使用异构图和同构图来获取局部信息和全局信息，通过聚合从复杂的图数据结构信息和多模态属性信息中提取关键特征，结合这些关键特征进行虚假评论检测，用以适应更多变的评论环境；Deng等人提出一种基于PU学习的自编码模型，基于输入的评论相关元数据构建特征向量，通过自编码模型对特征向量进行编码学习，再利用K均值方法计算聚类距离确定类别，进行PU学习；Aghakhani等人提出了首次将GAN引入虚假评论检测任务的模型FakeGAN，采用基于SeqGAN的框架，将小部分的标记数据用于GAN的样本生成，利用GAN生成的大量标记数据来满足分类神经网络的庞大样本需求，取得相当不错的成果；StantonG等人提出SpamGAN，在FakeGAN的基础上做改进，减少了计算量，优化了奖励函数，从而得到性能提升。

尽管深度学习的引入对虚假评论检测模型的性能提升巨大，但是由于虚假评论具有一定的隐蔽性、迷惑性，且评论数量巨大，人工检测难度很大，标记数据集匮乏，现有深度学习模型都容易出现过拟合现象，因此依然具有较大的优化空间，同时虚假评论检测的识别维度仅有评论文本，角度过于单一，模型检测性能容易受到离群噪声的干扰。

发明内容

有鉴于此，本发明的目的是提出一种虚假用户评论检测方法及***，模型检测不容易受到离群噪声的干扰，得到的结果更加准确。

本发明采用以下方案实现：一种虚假用户评论检测方法，具体包括以下步骤：

步骤A：收集用户的产品评论和评论涉及的主题文本，建立用户评论数据集S＝S_L∪S_U，其中S_L表示已标记的用户评论数据集，S_U表示未标记的用户评论数据集；

步骤B：使用用户评论数据集S，对虚假用户评论检测模型进行预训练，模型由文本生成器G、鉴别器D以及分类器C三个模块构成；

步骤C：使用用户评论数据集S，对虚假用户评论检测模型进行对抗训练；

步骤D：将用户评论与主题输入虚假用户评论检测模型的分类器中，输出对用户评论的检测结果，即用户评论为虚假评论或真实评论。

进一步地，步骤B具体包括以下步骤：

步骤B1：使用用户评论数据集S对文本生成器进行预训练；

步骤B2：使用步骤B1得到的文本生成器生成评论，与用户评论数据集S中的评论一起用于对鉴别器及其评价器进行预训练；

步骤B3：使用用户评论数据集S对分类器及其评价器进行预训练。

进一步地，步骤B1具体包括以下步骤：

步骤B11：遍历评论训练集S，将S_L中的每个已标记训练样本表示为s＝(r，t，c)，将S_U中的每个未标记训练样本表示为s＝(r，t)，其中r表示评论文本，t表示评论涉及的主题文本，c为该评论虚假与否的类别标记；对训练样本s中的评论r和主题t进行分词并去除停用词，之后将评论r和主题t的文本分别设置为固定长度N和M，若经过分词与去除停用词后的评论r和主题t中的词语数量小于固定长度值，则使用补充符号<PAD>进行补充，大于固定长度值则进行截断；

其中，评论r经过分词及去除停用词并设置为固定长度后，表示为：

式中，

i＝1,2,...,RN为评论r经过分词、去除停用词并设置为固定长度后文本中的第i个词，i＝1,2,...,RN，RN≤N；

其中，主题t经过分词及去除停用词并设置为固定长度后，表示为：

式中，

i＝1,2,...,TM为主题t经过分词、去除停用词并设置为固定长度后文本中的第i个词，i＝1,2,...,TM，TM≤M；

步骤B12：对步骤B11处理后的评论文本r和主题文本t进行编码，分别得到评论与主题的表征向量v_r和v_t；

其中，v_r表示为：

式中，

为评论文本的第i个词

所对应的词向量，通过在预训练的词向量矩阵

中查找得到，i＝1，2，...，N，d表示词向量的维度，|V|是词典中的词语数；

其中，v_t表示为：

式中，

为主题文本的第i个词

所对应的词向量，通过在预训练的词向量矩阵

中查找得到，i＝1，2，...，M，d表示词向量的维度，|V|是词典中的词语数；

步骤B13：对主题的表征向量v_t，通过线性变换与激活函数后采用最大池化提取主题的主干信息的表征向量

其中，

为主题的主干信息的表征向量，

为权值矩阵，·表示矩阵点乘操作，

为偏置项；

步骤B14：将构成v_r的向量序列

依次输入生成器中的融合主题的多头注意力单元，第i个时间步的输入为

在每个时间步将

与

结合，通过多头注意力机制融合评论与主题信息，得到每个时间步的融合主题的表征向量，并与随机噪声

拼接，最后得到向量序列{x₁，x₂，...，x_i，...，x_N}；

步骤B15：将步骤B14得到的向量序列{x₁，x₂，...，x_i，...，x_N}输入双向GRU，在第i个时间步，对于双向GRU的前向层，输出的隐层状态向量为

i＝1，2，...，N，对于双向GRU的反向层，输出的隐层状态向量为

i＝1，2，...，N，丁为激活函数；在每个时间步采用谱归一化对GRU的各个权值矩阵进行更新，以W_i ^G表示GRU在第i个时间步的某个权值矩阵，求得W_i ^G的最大奇异值

对W_i ^G进行谱归一化，得到GRU在第i+1个时间步的权值矩阵

表示如下：

重复上述步骤，得到正向隐层状态向量序列

和反向隐层状态向量序列

步骤B16：连接正向与反向隐层状态向量，得到融合主题的评论表征向量H，H＝[h₁，...，h_i，...，h_N]^T，

h_i为正向隐层状态向量

与反向隐层状态向量

的连接；

步骤B17：对融合主题的评论表征向量H进行线性变换后输入softmax，得到词概率分布矩阵B，根据词概率分布矩阵B进行随机采样，生成评论文本的词序列y＝{y₁，y₂，...，y_i，...，y_N}；

步骤B18：根据以下目标损失函数对文本生成器G进行训练：

其中，

表示生成器在目标词位置上计算得到的条件概率，θ_g为生成器的参数集，c为类别标签，z为随机噪声。

进一步地，所述步骤B14具体为：

首先，以X_i表示第i个时间步的输入

对X_i在

的向量方向上进行正交分解操作，得到X_i中关于主题部分的信息和其他信息，分别对应平行向量

和垂直向量

表示为：

式中，

为平行向量，

为垂直向量，

表示向量

的转置；

然后，利用多头注意力机制进行信息筛选：对于每个注意力头，对平行向量

进行线性变换得到

作为多头注意力机制中的Q；对

进行线性变换得到

和

分别作为多头注意力机制中的K和V，表示为：

式中，

分别为待训练的权值矩阵；

之后，将

输入多头注意力单元中进行多头注意力计算，表示为：

式中，

表示平行方向的多头注意力机制的输出向量，M片A表示多头注意力机制，H表示注意力头的总数，

表示第i个注意力头的计算结果，

为待训练的权值矩阵；

之后，通过softmax函数将

映射到0到1之间，得到平行向量

经过多头注意力机制后在平行方向上的信息门向量

表示为：

对垂直向量

进行线性变换得到

作为多头注意力机制中的Q，对

进行线性变换得到

和

分别作为注意力机制中的K和V，将

输入多头注意力单元中进行多头注意力计算，得到

再通过softmax函数，得到垂直向量

经过多头注意力机制后在垂直方向上的信息门向量

利用

和

两个门向量对X_i进行信息筛选，得到第i个时间步的融合主题的表征向量

表示为：

式中，

分别表示平行方向和垂直方向上的权值矩阵，

分别表示平行方向和垂直方向上的输入偏置项，·表示矩阵点乘操作；

之后将

与随机噪声

进行拼接，得到第i个时间步的输出向量x_i，表示为：

式中，

；表示连接操作，

为随机噪声，表示为：

式中，

从符合标准高斯分布的随机分布P_z中采样获得，P_z符合标准高斯分布，类别标签c从符合标准伯努利分布的随机分布P_c中采样获得，c＝1时表示正常评论，当c＝0时表示虚假评论。

进一步地，步骤B2具体包括以下步骤：

步骤B21：完成生成器G的预训练后，利用生成器G生成评论数据集S_G，从S_G和S中随机提取已标注评论与未标注评论构成鉴别器D的预训练集S_D，S_D中的每个训练样本表示为s＝(r，c^D)，其中r表示评论文本，c^D表示该评论文本是否为生成器生成的类别标记，将S_D中的训练样本输入基于Transformer的鉴别器D中进行预训练；

步骤B22：对S_D中的每个训练样本，按照步骤B11得到评论文本r的初始表征向量v_r，加入位置向量得到位置感知的表征向量

表示为：

式中，

为位置向量，通过查询位置向量矩阵E_p∈Rd×^N得到，表示为：

式中，

表示第i个词对应的位置编码向量，d表示位置向量的维度，与词向量维度相同，N是评论文本的固定最大长度；

步骤B23：将

输入鉴别器D的Transformer网络中，得到评论的表征向量

步骤B24：对O_D进行线性变换后输入softmax，计算鉴别器D在评论的所有词上的类别概率分布Q_D：

Q_D＝softmax(O_DW^D+b^D)；

式中，

表示评论在所有词项上的实际类别概率分布，Q_D中第i行表示鉴别器在第i个词的实际类别概率分布，

为权值矩阵，

为偏置项；

依据评论所有词项上的类别概率分布Q_D，得到整个句子关于类别c^D的鉴别器平均类别概率分布：

式中，

表示鉴别器对评论进行计算得到的类别条件概率，θ_d表示鉴别器D的参数集，Q_D ⁱ表示鉴别器在第i个词项上的实际类别概率分布；

步骤B25：将评论的表征向量O_D输入评价器D_critic，，评价器由一个全连接层组成，O_D经过线性变换与softmax后，得到评论的类别概率分布V_D：

式中，

表示评论在所有词项上的目标类别概率分布，以此为标准评价实际类别概率分布Q_D，V_D中第i行表示鉴别器在第i个词项的目标类别概率分布，

为鉴别器的评价器权值矩阵，

为偏置项；

步骤B26：采用交叉熵损失

对鉴别器进行训练，采用均方差损失

对评价器D_critic进行训练；

其中，

表示为：

式中，

表示对S_D中提取自S的样本进行分类的损失，

表示对S_D中提取自S_G的样本进行分类的损失，

表示对数据集S上采样的评论进行期望计算得到关于类别c^D的交叉熵损失期望值，

表示对生成器生成的评论进行期望计算得到关于类别c^D的交叉熵损失期望值；

其中，

表示为：

式中，

表示评价器的目标类别概率分布与实际类别概率分布的均方差损失期望值，V_D ⁱ表示鉴别器在第i个词项上的目标类别概率分布。

进一步地，步骤B3具体包括以下步骤：

步骤B31：使用已标注数据集S_L对分类器进行预训练，对S_L中的每个训练样本s＝(r，t，c)，按照B11-B12的处理步骤得到评论表征向量v_r和主题表征向量v_t，按照B13的处理步骤得到主题的主干信息表征

步骤B32：按照B14的处理步骤，将构成v_r的向量序列依次输入融合主题的多头注意力单元，在每个时间步与

结合，通过多头注意力机制将评论与主题进行融合，得到每个时间步的融合向量，将每个时间步的融合向量与随机噪声

拼接，得到融合主题的评论表征向量

其中

表示融合主题的评论表征向量中第i个词的表征向量；查询位置向量矩阵E_p∈R^d×N，得到位置向量

与

相加，得到位置感知的评论表征向量

输入到Transformer网络中，得到评论中所有词的表示矩阵

步骤B33：对O_C进行线性变换后输入softmax，计算分类器对评论的所有词的类别概率分布

Q_C＝softmax(O_CW_C+b_C)；

式中，

为权值矩阵，

为偏置项；

根据Q_C得到整个句子的分类器关于类别c的平均类别概率分布：

式中，Q_C ⁱ表示评论在第i个词上实际类别的概率分布，

表示鉴别器对评论进行计算得到的类别条件概率；

采用交叉熵损失

对分类器进行预训练，

的计算公式如下：

式中，

表示对从数据集S_L中采样的样本进行期望计算得到关于类别c的交叉熵损失期望值，

表示鉴别器对评论进行计算得到的类别条件概率，θ_c表示分类器参数；

步骤B34：将评论的表征向量O_C输入评价器C_critic，，评价器由一个全连接层组成，O_C经过线性变换与softmax后，得到实际类别概率分布的目标分布V_C，表示为：

式中，

为分类器的评价器权值矩阵，

为偏置项；

步骤B35：采用均方差损失

对分类器的评价器C_critic进行训练：

式中，V_C ⁱ表示评论在第i个词上关于类别c的目标类别概率分布。

进一步地，步骤C具体包括以下步骤：

步骤C1：遍历数据集S中的每个训练样本，对每个训练样本，按照B11-B12的处理步骤得到评论表征向量v_r和主题表征向量v_t，按照B13的处理步骤得到主题的主干信息表征

步骤C2：对数据集S中的每个训练样本，利用生成器从随机分布P_z和随机分布P_c中分别采样得到随机噪声z和类别c，得到包含类别信息的噪声

表示为：

步骤C3：按照B14的处理步骤，将构成v_r的向量序列依次输入融合主题的多头注意力单元，在每个时间步与

结合，通过多头注意力机制将评论与主题进行融合，得到每个时间步的融合向量，将每个时间步的融合向量与随机噪声

拼接，得到融合主题的评论表征向量

其中中

表示融合主题的评论表征向量中第i个词的表征向量，其中上标F_G表示对生成器输入进行融合主题的多头注意力计算；之后按照B15-B17的处理步骤，生成评论y；

步骤C4：将y与数据集S中对应的训练样本一起输入到鉴别器和分类器中，分别进行评论类别分类，对于鉴别器采用损失函数

进行参数更新，对于分类器采用对抗训练的损失函数

进行更新；

其中，

表示为：

式中，

是分类器在数据集S的已标记样本上进行预测分类分值的交叉熵；

是分类器在生成器生成的评论上进行分类预测的损失，其中

表示香农信息熵，α是平衡参数，用于平衡香农熵的影响；

步骤C5：采用强化学习的方式对生成器进行训练。

进一步地，步骤C5具体为：

将生成器生成评论的过程视为序列决策过程，生成器则作为强化学习中的智能体或者行为者，在生成评论的过程中，将已生成的词项序列{y₁，y₂，...，y_i-1}视为智能体当前所处的状态，所要生成的下一个词y_i为智能体所采取的行为，智能体所采取的行为基于策略分布

进行选择，策略分布通过计算各行为的期望奖励，给出各行为的概率，智能体依据概率选择相应的行为，生成器智能体将会学习去最大化期望奖励，即：

其中，

式中，R(r)表示整个评论样本的奖励，由鉴别器和分类器共同确定提供，D表示鉴别器对评论进行计算得到的类别条件概率，

表示鉴别器对评论进行计算得到的类别条件概率；

为了最大化

生成器通过梯度策略算法一步步学习调整自己的参数θ_g，表示为：

式中，Qⁱ-Vⁱ为优势函数，其中：

式中，β是一个线性递减的参数，β＝N-i，用于更新生成器的参数θ_g时提高初始生成的词的重要性，使得生成器在初始生成阶段得到更加多样化的生成词项。

本发明提供了一种虚假用户评论检测***，包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现如上文的方法步骤。

本发明还提供了一种计算机可读存储介质，其上存储有能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现如上文方法步骤。

与现有技术相比，本发明有以下有益效果：本发明中的模型不易出现过拟合和模式崩溃的现象，同时具备评论文本与主题文本的角度，模型的检测性能不容易受到离群噪声的干扰，检测结果具有更高的准确性。

附图说明

图1为本发明实施例的方法流程示意图。

图2为本发明一实施例中***结构示意图。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

如图1所示，本实施例提供了一种虚假用户评论检测方法及***，具体包括以下步骤：

步骤A：收集用户的产品评论和评论涉及的主题文本，建立用户评论数据集S＝S_L∪S_U，其中S_L表示已标记的用户评论数据集，S_U表示未标记的用户评论数据集；

步骤B：使用用户评论数据集S，对虚假用户评论检测模型进行预训练，模型由文本生成器G、鉴别器D以及分类器C三个模块构成；

步骤C：使用用户评论数据集S，对虚假用户评论检测模型进行对抗训练；

步骤D：将用户评论与主题输入虚假用户评论检测模型的分类器中，输出对用户评论的检测结果，即用户评论为虚假评论或真实评论。

在本实施例中，步骤B具体包括以下步骤：

步骤B1：使用用户评论数据集S对文本生成器进行预训练；

步骤B2：使用步骤B1得到的文本生成器生成评论，与用户评论数据集S中的评论一起用于对鉴别器及其评价器进行预训练；

步骤B3：使用用户评论数据集S对分类器及其评价器进行预训练。

在本实施例中，步骤B1具体包括以下步骤：

步骤B11：遍历评论训练集S，将S_L中的每个已标记训练样本表示为s＝(r，t，c)，将S_U中的每个未标记训练样本表示为s＝(r，t)，其中r表示评论文本，t表示评论涉及的主题文本，c为该评论虚假与否的类别标记；对训练样本s中的评论r和主题t进行分词并去除停用词，之后将评论r和主题t的文本分别设置为固定长度N和M，若经过分词与去除停用词后的评论r和主题t中的词语数量小于固定长度值，则使用补充符号<PAD>进行补充，大于固定长度值则进行截断；

其中，评论r经过分词及去除停用词并设置为固定长度后，表示为：

式中，

i＝1,2,...,RN为评论r经过分词、去除停用词并设置为固定长度后文本中的第i个词，i＝1,2,...,RN，RN≤N；

其中，主题t经过分词及去除停用词并设置为固定长度后，表示为：

式中，

i＝1,2,...,TM为主题t经过分词、去除停用词并设置为固定长度后文本中的第i个词，i＝1,2,...,TM，TM≤M；

步骤B12：对步骤B11处理后的评论文本r和主题文本t进行编码，分别得到评论与主题的表征向量v_r和v_t；

其中，v_r表示为：

式中，

为评论文本的第i个词

所对应的词向量，通过在预训练的词向量矩阵

中查找得到，i＝1,2,...,N，d表示词向量的维度，|V|是词典中的词语数；

其中，v_t表示为：

式中，

为主题文本的第i个词w_i ^t所对应的词向量，通过在预训练的词向量矩阵

中查找得到，i＝1,2,...,M，d表示词向量的维度，|V|是词典中的词语数；

步骤B13：对主题的表征向量v_t，通过线性变换与激活函数后采用最大池化提取主题的主干信息的表征向量

其中，

为主题的主干信息的表征向量，

为权值矩阵，·表示矩阵点乘操作，

为偏置项；

步骤B14：将构成v_r的向量序列

依次输入生成器中的融合主题的多头注意力单元(TMAU)，第i个时间步的输入为

在每个时间步将

与

结合，通过多头注意力机制融合评论与主题信息，得到每个时间步的融合主题的表征向量，并与随机噪声

拼接，最后得到向量序列{x₁，x₂，...，x_i，...，x_N}；

步骤B15：将步骤B14得到的向量序列{x₁，x₂，...，x_i，...，x_N}输入双向GRU，在第i个时间步，对于双向GRU的前向层，输出的隐层状态向量为

i＝1,2,...,N，对于双向GRU的反向层，输出的隐层状态向量为

i＝1,2,...,N，f为激活函数；在每个时间步采用谱归一化对GRU的各个权值矩阵进行更新，以W_i ^G表示GRU在第i个时间步的某个权值矩阵，求得W_i ^G的最大奇异值

对W_i ^G进行谱归一化，得到GRU在第i+1个时间步的权值矩阵

表示如下：

重复上述步骤，得到正向隐层状态向量序列

和反向隐层状态向量序列

步骤B16：连接正向与反向隐层状态向量，得到融合主题的评论表征向量H，H＝[h₁,...,h_i,...,h_N]^T，

h_i为正向隐层状态向量

与反向隐层状态向量

的连接；

步骤B17：对融合主题的评论表征向量H进行线性变换后输入softmax，得到词概率分布矩阵B，根据词概率分布矩阵B进行随机采样，生成评论文本的词序列y＝{y₁，y₂，...，y_i，...，y_N}；

步骤B18：根据以下目标损失函数对文本生成器G进行训练：

其中，

表示生成器在目标词位置上计算得到的条件概率，θ_g为生成器的参数集，c为类别标签，z为随机噪声。

在本实施例中，所述步骤B14具体为：

首先，以X_i表示第i个时间步的输入

对X_i在

的向量方向上进行正交分解操作，得到X_i中关于主题部分的信息和其他信息，分别对应平行向量

和垂直向量

表示为：

式中，

为平行向量，

为垂直向量，

表示向量

的转置；

然后，利用多头注意力机制进行信息筛选：对于每个注意力头，对平行向量

进行线性变换得到

作为多头注意力机制中的Q；对

进行线性变换得到

和

分别作为多头注意力机制中的K和V，表示为：

式中，

分别为待训练的权值矩阵；

之后，将

输入多头注意力单元中进行多头注意力计算，表示为：

式中，

表示平行方向的多头注意力机制的输出向量，M片A表示多头注意力机制，H表示注意力头的总数，

表示第i个注意力头的计算结果，

为待训练的权值矩阵；

之后，通过softmax函数将

映射到0到1之间，得到平行向量

经过多头注意力机制后在平行方向上的信息门向量

表示为：

对垂直向量

进行线性变换得到

作为多头注意力机制中的Q，对

进行线性变换得到

和

分别作为注意力机制中的K和V，将

输入多头注意力单元中进行多头注意力计算，得到

再通过softmax函数，得到垂直向量

经过多头注意力机制后在垂直方向上的信息门向量

利用

和

两个门向量对X_i进行信息筛选，得到第i个时间步的融合主题的表征向量

表示为：

式中，

分别表示平行方向和垂直方向上的权值矩阵，

分别表示平行方向和垂直方向上的输入偏置项，·表示矩阵点乘操作；

之后将

与随机噪声

进行拼接，得到第i个时间步的输出向量x_i，表示为：

式中，

；表示连接操作，

为随机噪声，表示为：

式中，

从符合标准高斯分布的随机分布P_z中采样获得，P_z符合标准高斯分布，类别标签c从符合标准伯努利分布的随机分布P_c中采样获得，c＝1时表示正常评论，当c＝0时表示虚假评论。

在本实施例中，步骤B2具体包括以下步骤：

步骤B21：完成生成器G的预训练后，利用生成器G生成评论数据集S_G，从S_G和S中随机提取已标注评论与未标注评论构成鉴别器D的预训练集S_D，S_D中的每个训练样本表示为s＝(r，c^D)，其中r表示评论文本，c^D表示该评论文本是否为生成器生成的类别标记，将S_D中的训练样本输入基于Transformer的鉴别器D中进行预训练；

步骤B22：对S_D中的每个训练样本，按照步骤B11得到评论文本r的初始表征向量v_r，加入位置向量得到位置感知的表征向量

表示为：

式中，

为位置向量，通过查询位置向量矩阵E_p∈R^d×N得到，表示为：

式中，

表示第i个词对应的位置编码向量，d表示位置向量的维度，与词向量维度相同，N是评论文本的固定最大长度；

步骤B23：将

输入鉴别器D的Transformer网络中，得到评论的表征向量

步骤B24：对O_D进行线性变换后输入softmax，计算鉴别器D在评论的所有词上的类别概率分布Q_D：

Q_D＝softmax(O_DW^D+b^D)；

式中，

表示评论在所有词项上的实际类别概率分布，Q_D中第i行表示鉴别器在第i个词的实际类别概率分布，

为权值矩阵，

为偏置项；

依据评论所有词项上的类别概率分布Q_D，得到整个句子关于类别c^D的鉴别器平均类别概率分布：

式中，

表示鉴别器对评论进行计算得到的类别条件概率，θ_d表示鉴别器D的参数集，Q_D ⁱ表示鉴别器在第i个词项上的实际类别概率分布；

步骤B25：将评论的表征向量O_D输入评价器D_critic，，评价器由一个全连接层组成，O_D经过线性变换与softmax后，得到评论的类别概率分布V_D：

式中，

表示评论在所有词项上的目标类别概率分布，以此为标准评价实际类别概率分布Q_D，V_D中第i行表示鉴别器在第i个词项的目标类别概率分布，

为鉴别器的评价器权值矩阵，

为偏置项；

步骤B26：采用交叉熵损失

对鉴别器进行训练，采用均方差损失

对评价器D_critic进行训练；

其中，

表示为：

式中，

表示对S_D中提取自S的样本进行分类的损失，

表示对S_D中提取自S_G的样本进行分类的损失，

表示对数据集S上采样的评论进行期望计算得到关于类别c^D的交叉熵损失期望值，

表示对生成器生成的评论进行期望计算得到关于类别c^D的交叉熵损失期望值；

其中，

表示为：

式中，

表示评价器的目标类别概率分布与实际类别概率分布的均方差损失期望值，V_D ⁱ表示鉴别器在第i个词项上的目标类别概率分布。

在本实施例中，步骤B3具体包括以下步骤：

步骤B31：使用已标注数据集S_L对分类器进行预训练，对S_L中的每个训练样本s＝(r，t，c)，按照B11-B12的处理步骤得到评论表征向量v_r和主题表征向量v_t，按照B13的处理步骤得到主题的主干信息表征

步骤B32：按照B14的处理步骤，将构成v_r的向量序列依次输入融合主题的多头注意力单元，在每个时间步与

结合，通过多头注意力机制将评论与主题进行融合，得到每个时间步的融合向量，将每个时间步的融合向量与随机噪声

拼接，得到融合主题的评论表征向量

其中

表示融合主题的评论表征向量中第i个词的表征向量；查询位置向量矩阵E_p∈R^d×N，得到位置向量

与

相加，得到位置感知的评论表征向量

输入到Transformer网络中，得到评论中所有词的表示矩阵

步骤B33：对O_C进行线性变换后输入softmax，计算分类器对评论的所有词的类别概率分布

Q_C＝softmax(O_CW_C+b_C)；

式中，

为权值矩阵，

为偏置项；

根据Q_C得到整个句子的分类器关于类别c的平均类别概率分布：

式中，Q_C ⁱ表示评论在第i个词上实际类别的概率分布，

表示鉴别器对评论进行计算得到的类别条件概率；

采用交叉熵损失

对分类器进行预训练，

的计算公式如下：

式中，

表示对从数据集S_L中采样的样本进行期望计算得到关于类别c的交叉熵损失期望值，

表示鉴别器对评论进行计算得到的类别条件概率，θ_c表示分类器参数；

步骤B34：将评论的表征向量O_C输入评价器C_critic，，评价器由一个全连接层组成，O_C经过线性变换与softmax后，得到实际类别概率分布的目标分布V_C，表示为：

式中，

为分类器的评价器权值矩阵，

为偏置项；

步骤B35：采用均方差损失

对分类器的评价器C_critic进行训练：

式中，V_C ⁱ表示评论在第i个词上关于类别c的目标类别概率分布。

在本实施例中，步骤C具体包括以下步骤：

步骤C1：遍历数据集S中的每个训练样本，对每个训练样本，按照B11-B12的处理步骤得到评论表征向量v_r和主题表征向量v_r，按照B13的处理步骤得到主题的主干信息表征

步骤C2：对数据集S中的每个训练样本，利用生成器从随机分布P_z和随机分布P_c中分别采样得到随机噪声z和类别c，得到包含类别信息的噪声

表示为：

步骤C3：按照B14的处理步骤，将构成v_r的向量序列依次输入融合主题的多头注意力单元，在每个时间步与

结合，通过多头注意力机制将评论与主题进行融合，得到每个时间步的融合向量，将每个时间步的融合向量与随机噪声

拼接，得到融合主题的评论表征向量

其中中

表示融合主题的评论表征向量中第i个词的表征向量，其中上标F_G表示对生成器输入进行融合主题的多头注意力计算；之后按照B15-B17的处理步骤，生成评论y；

步骤C4：将y与数据集S中对应的训练样本一起输入到鉴别器和分类器中，分别进行评论类别分类，对于鉴别器采用损失函数

进行参数更新，对于分类器采用对抗训练的损失函数

进行更新；

其中，

表示为：

式中，

是分类器在数据集S的已标记样本上进行预测分类分值的交叉熵；

是分类器在生成器生成的评论上进行分类预测的损失，其中

表示香农信息熵，α是平衡参数，用于平衡香农熵的影响；

步骤C5：采用强化学习的方式对生成器进行训练。

在本实施例中，步骤C5具体为：

将生成器生成评论的过程视为序列决策过程，生成器则作为强化学习中的智能体或者行为者，在生成评论的过程中，将已生成的词项序列{y₁，y₂，...，y_i-1}视为智能体当前所处的状态，所要生成的下一个词yi为智能体所采取的行为，智能体所采取的行为基于策略分布

进行选择，策略分布通过计算各行为的期望奖励，给出各行为的概率，智能体依据概率选择相应的行为，生成器智能体将会学习去最大化期望奖励，即：

其中，

式中，R(r)表示整个评论样本的奖励，由鉴别器和分类器共同确定提供，D表示鉴别器对评论进行计算得到的类别条件概率，

表示鉴别器对评论进行计算得到的类别条件概率；

为了最大化

生成器通过梯度策略算法一步步学习调整自己的参数θ_g，表示为：

式中，Qⁱ-Vⁱ为优势函数，其中：

式中，β是一个线性递减的参数，β＝N-i，用于更新生成器的参数θ_g时提高初始生成的词的重要性，使得生成器在初始生成阶段得到更加多样化的生成词项。

本实施例还提供了一种虚假用户评论检测***，包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现如上文的方法步骤。

本实施例还提供了一种计算机可读存储介质，其上存储有能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现如上文方法步骤。

较佳的，如图2所示，本实施例对应包括以下功能模块：

数据收集模块，用于提取用户评论、评论相关的主题信息，并对评论的虚假类别标签进行标注，构建训练集；

文本预处理模块，用于对训练集中的训练样本进行预处理，包括大小写统一、分词处理和去除停用词；

文本编码模块，用于在预训练的词向量矩阵中查找经过预处理的用户评论和主题中词的词向量，得到用户评论的表征向量和主题的表征向量；

预训练模块，用于将用户评论的表征向量和主题的表征向量输入到深度学习网络的各个组件中分别进行预训练，得到经过预训练的深度网络模型。

对抗训练模块，用于将用户评论的表征向量和主题的表征向量输入到深度学习网络的各个模块中，各个模块得到融合主题的评论表征向量并以此通过强化学习训练深度学习网络，利用该表征向量属于某一类别的概率以及训练集中的标注作为损失，以最小化损失为目标来对整个深度学习网络进行训练，得到经过对抗训练的深度学习网络模型；

虚假评论分析模块，利用经过对抗训练的深度学习网络模型对输入的用户评论和主题进行分析处理，输出用户评论的虚假类别。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (10)

1.一种虚假用户评论检测方法，其特征在于，包括以下步骤：

步骤A：收集用户的产品评论和评论涉及的主题文本，建立用户评论数据集S＝S_LUS_U，其中S_L表示已标记的用户评论数据集，S_U表示未标记的用户评论数据集；

步骤B：使用用户评论数据集S，对虚假用户评论检测模型进行预训练，模型由文本生成器G、鉴别器D以及分类器C三个模块构成；

步骤C：使用用户评论数据集S，对虚假用户评论检测模型进行对抗训练；

步骤D：将用户评论与主题输入虚假用户评论检测模型的分类器中，输出对用户评论的检测结果，即用户评论为虚假评论或真实评论。

2.根据权利要求1所述的一种虚假用户评论检测方法，其特征在于，步骤B具体包括以下步骤：

步骤B1：使用用户评论数据集S对文本生成器进行预训练；

步骤B2：使用步骤B1得到的文本生成器生成评论，与用户评论数据集S中的评论一起用于对鉴别器及其评价器进行预训练；

步骤B3：使用用户评论数据集S对分类器及其评价器进行预训练。

3.根据权利要求2所述的一种虚假用户评论检测方法，其特征在于，步骤B1具体包括以下步骤：

步骤B11：遍历评论训练集S，将S_L中的每个已标记训练样本表示为s＝(r，t，c)，将S_U中的每个未标记训练样本表示为s＝(r，t)，其中r表示评论文本，t表示评论涉及的主题文本，c为该评论虚假与否的类别标记；对训练样本s中的评论r和主题t进行分词并去除停用词，之后将评论r和主题t的文本分别设置为固定长度N和M，若经过分词与去除停用词后的评论r和主题t中的词语数量小于固定长度值，则使用补充符号<PAD>进行补充，大于固定长度值则进行截断；

其中，评论r经过分词及去除停用词并设置为固定长度后，表示为：

式中，

为评论r经过分词、去除停用词并设置为固定长度后文本中的第i个词，i＝1，2，...，RN，RN≤N；

其中，主题t经过分词及去除停用词并设置为固定长度后，表示为：

式中，

为主题t经过分词、去除停用词并设置为固定长度后文本中的第i个词，i＝1，2，...，TM，TM≤M；

步骤B12：对步骤B11处理后的评论文本r和主题文本t进行编码，分别得到评论与主题的表征向量v_r和v_t；

其中，v_r表示为：

式中，

为评论文本的第i个词

所对应的词向量，通过在预训练的词向量矩阵

中查找得到，i＝1，2，...，N，d表示词向量的维度，|V|是词典中的词语数；

其中，v_t表示为：

式中，

为主题文本的第i个词

所对应的词向量，通过在预训练的词向量矩阵

中查找得到，i＝1，2，...，M，d表示词向量的维度，|V|是词典中的词语数；

步骤B13：对主题的表征向量v_t，通过线性变换与激活函数后采用最大池化提取主题的主干信息的表征向量

其中，

为主题的主干信息的表征向量，

为权值矩阵，·表示矩阵点乘操作，

为偏置项；

步骤B14：将构成v_r的向量序列

依次输入生成器中的融合主题的多头注意力单元，第i个时间步的输入为

在每个时间步将

与

结合，通过多头注意力机制融合评论与主题信息，得到每个时间步的融合主题的表征向量，并与随机噪声

拼接，最后得到向量序列{x₁，x₂，...，x_i，...，x_N}；

步骤B15：将步骤B14得到的向量序列{x₁，x₂，...，x_i，...，x_N}输入双向GRU，在第i个时间步，对于双向GRU的前向层，输出的隐层状态向量为

对于双向GRU的反向层，输出的隐层状态向量为

f为激活函数；在每个时间步采用谱归一化对GRU的各个权值矩阵进行更新，以W_i ^G表示GRU在第i个时间步的某个权值矩阵，求得W_i ^G的最大奇异值

对W_i ^G进行谱归一化，得到GRU在第i+1个时间步的权值矩阵

表示如下：

重复上述步骤，得到正向隐层状态向量序列

和反向隐层状态向量序列

步骤B16：连接正向与反向隐层状态向量，得到融合主题的评论表征向量H，H＝[h₁，...，h_i，...，h_N]^T，

h_i为正向隐层状态向量

与反向隐层状态向量

的连接；

步骤B17：对融合主题的评论表征向量H进行线性变换后输入softmax，得到词概率分布矩阵B，根据词概率分布矩阵B进行随机采样，生成评论文本的词序列y＝{y₁，y₂，...，y_i，...，y_N}；

步骤B18：根据以下目标损失函数对文本生成器G进行训练：

其中，

表示生成器在目标词位置上计算得到的条件概率，θ_g为生成器的参数集，c为类别标签，z为随机噪声。

4.根据权利要求3所述的一种虚假用户评论检测方法，其特征在于，所述步骤B14具体为：

首先，以X_i表示第i个时间步的输入

对X_i在

的向量方向上进行正交分解操作，得到X_i中关于主题部分的信息和其他信息，分别对应平行向量

和垂直向量

表示为：

式中，

为平行向量，

为垂直向量，

表示向量

的转置；

然后，利用多头注意力机制进行信息筛选：对于每个注意力头，对平行向量

进行线性变换得到

作为多头注意力机制中的Q；对

进行线性变换得到

和

分别作为多头注意力机制中的K和V，表示为：

式中，

分别为待训练的权值矩阵；

之后，将

输入多头注意力单元中进行多头注意力计算，表示为：

式中，

表示平行方向的多头注意力机制的输出向量，MHA表示多头注意力机制，H表示注意力头的总数，

表示第i个注意力头的计算结果，

为待训练的权值矩阵；

之后，通过softmax函数将

映射到0到1之间，得到平行向量

经过多头注意力机制后在平行方向上的信息门向量

表示为：

对垂直向量

进行线性变换得到

作为多头注意力机制中的Q，对

进行线性变换得到

和

分别作为注意力机制中的K和V，将

输入多头注意力单元中进行多头注意力计算，得到

再通过softmax函数，得到垂直向量

经过多头注意力机制后在垂直方向上的信息门向量

利用

和

两个门向量对X_i进行信息筛选，得到第i个时间步的融合主题的表征向量

表示为：

式中，

分别表示平行方向和垂直方向上的权值矩阵，

分别表示平行方向和垂直方向上的输入偏置项，·表示矩阵点乘操作；

之后将

与随机噪声

进行拼接，得到第i个时间步的输出向量x_i，表示为：

式中，

；表示连接操作，

为随机噪声，表示为：

式中，

从符合标准高斯分布的随机分布P_z中采样获得，P_z符合标准高斯分布，类别标签c从符合标准伯努利分布的随机分布P_c中采样获得，c＝1时表示正常评论，当c＝0时表示虚假评论。

5.根据权利要求2所述的一种虚假用户评论检测方法，其特征在于，步骤B2具体包括以下步骤：

步骤B21：完成生成器G的预训练后，利用生成器G生成评论数据集S_G，从S_G和S中随机提取已标注评论与未标注评论构成鉴别器D的预训练集S_D，S_D中的每个训练样本表示为s＝(r，c^D)，其中r表示评论文本，c^D表示该评论文本是否为生成器生成的类别标记，将S_D中的训练样本输入基于Transformer的鉴别器D中进行预训练；

步骤B22：对S_D中的每个训练样本，按照步骤B11得到评论文本r的初始表征向量v_r，加入位置向量得到位置感知的表征向量

表示为：

式中，

为位置向量，通过查询位置向量矩阵E_p∈R^d×N得到，表示为：

式中，

表示第i个词对应的位置编码向量，d表示位置向量的维度，与词向量维度相同，N是评论文本的固定最大长度；

步骤B23：将

输入鉴别器D的Transformer网络中，得到评论的表征向量

步骤B24：对O_D进行线性变换后输入softmax，计算鉴别器D在评论的所有词上的类别概率分布Q_D：

Q_D＝Softmax(O_DW^D+b^D)；

式中，

表示评论在所有词项上的实际类别概率分布，Q_D中第i行表示鉴别器在第i个词的实际类别概率分布，

为权值矩阵，

为偏置项；

依据评论所有词项上的类别概率分布Q_D，得到整个句子关于类别c^D的鉴别器平均类别概率分布：

式中，

表示鉴别器对评论进行计算得到的类别条件概率，θ_d表示鉴别器D的参数集，Q_D ⁱ表示鉴别器在第i个词项上的实际类别概率分布；

步骤B25：将评论的表征向量O_D输入评价器D_critic，，评价器由一个全连接层组成，O_D经过线性变换与softmax后，得到评论的类别概率分布V_D：

式中，

表示评论在所有词项上的目标类别概率分布，以此为标准评价实际类别概率分布Q_D，V_D中第i行表示鉴别器在第i个词项的目标类别概率分布，

为鉴别器的评价器权值矩阵，

为偏置项；

步骤B26：采用交叉熵损失

对鉴别器进行训练，采用均方差损失

对评价器D_critic进行训练；

其中，

表示为：

式中，

表示对S_D中提取自S的样本进行分类的损失，

表示对S_D中提取自S_G的样本进行分类的损失，

表示对数据集S上采样的评论进行期望计算得到关于类别c^D的交叉熵损失期望值，

表示对生成器生成的评论进行期望计算得到关于类别c^D的交叉熵损失期望值；

其中，

表示为：

式中，

表示评价器的目标类别概率分布与实际类别概率分布的均方差损失期望值，V_D ⁱ表示鉴别器在第i个词项上的目标类别概率分布。

6.根据权利要求3所述的一种虚假用户评论检测方法，其特征在于，步骤B3具体包括以下步骤：

步骤B31：使用已标注数据集S_L对分类器进行预训练，对S_L中的每个训练样本s＝(r，t，c)，按照B11-B12的处理步骤得到评论表征向量v_r和主题表征向量v_t，按照B13的处理步骤得到主题的主干信息表征

步骤B32：按照B14的处理步骤，将构成v_r的向量序列依次输入融合主题的多头注意力单元，在每个时间步与

结合，通过多头注意力机制将评论与主题进行融合，得到每个时间步的融合向量，将每个时间步的融合向量与随机噪声

拼接，得到融合主题的评论表征向量

其中

表示融合主题的评论表征向量中第i个词的表征向量；查询位置向量矩阵E_p∈R^d×N，得到位置向量

与

相加，得到位置感知的评论表征向量

输入到Transformer网络中，得到评论中所有词的表示矩阵

步骤B33：对O_C进行线性变换后输入softmax，计算分类器对评论的所有词的类别概率分布

Q_C＝softmax(O_CW_C+b_C)；

式中，

为权值矩阵，

为偏置项；

根据Q_C得到整个句子的分类器关于类别c的平均类别概率分布：

式中，Q_C ⁱ表示评论在第i个词上实际类别的概率分布，

表示鉴别器对评论进行计算得到的类别条件概率；

采用交叉熵损失

对分类器进行预训练，

的计算公式如下：

式中，

表示对从数据集S_L中采样的样本进行期望计算得到关于类别c的交叉熵损失期望值，

表示鉴别器对评论进行计算得到的类别条件概率，θ_c表示分类器参数；

步骤B34：将评论的表征向量O_C输入评价器C_critic，，评价器由一个全连接层组成，O_C经过线性变换与softmax后，得到实际类别概率分布的目标分布V_C，表示为：

式中，

为分类器的评价器权值矩阵，

为偏置项；

步骤B35：采用均方差损失

对分类器的评价器C_critic进行训练：

式中，V_C ⁱ表示评论在第i个词上关于类别c的目标类别概率分布。

7.根据权利要求3所述的一种虚假用户评论检测方法，其特征在于，步骤C具体包括以下步骤：

步骤C1：遍历数据集S中的每个训练样本，对每个训练样本，按照B11-B12的处理步骤得到评论表征向量v_r和主题表征向量v_t，按照B13的处理步骤得到主题的主干信息表征

步骤C2：对数据集S中的每个训练样本，利用生成器从随机分布P_z和随机分布P_c中分别采样得到随机噪声z和类别c，得到包含类别信息的噪声

表示为：

步骤C3：按照B14的处理步骤，将构成v_r的向量序列依次输入融合主题的多头注意力单元，在每个时间步与

结合，通过多头注意力机制将评论与主题进行融合，得到每个时间步的融合向量，将每个时间步的融合向量与随机噪声

拼接，得到融合主题的评论表征向量

其中中

表示融合主题的评论表征向量中第i个词的表征向量，其中上标F_G表示对生成器输入进行融合主题的多头注意力计算；之后按照B15-B17的处理步骤，生成评论y；

步骤C4：将y与数据集S中对应的训练样本一起输入到鉴别器和分类器中，分别进行评论类别分类，对于鉴别器采用损失函数

进行参数更新，对于分类器采用对抗训练的损失函数

进行更新；

其中，

表示为：

式中，

是分类器在数据集S的已标记样本上进行预测分类分值的交叉熵；

是分类器在生成器生成的评论上进行分类预测的损失，其中

表示香农信息熵，α是平衡参数，用于平衡香农熵的影响；

步骤C5：采用强化学习的方式对生成器进行训练。

8.根据权利要求7所述的一种虚假用户评论检测方法，其特征在于，步骤C5具体为：

将生成器生成评论的过程视为序列决策过程，生成器则作为强化学习中的智能体或者行为者，在生成评论的过程中，将已生成的词项序列{y₁，y₂，...，y_i-1}视为智能体当前所处的状态，所要生成的下一个词y_i为智能体所采取的行为，智能体所采取的行为基于策略分布

进行选择，策略分布通过计算各行为的期望奖励，给出各行为的概率，智能体依据概率选择相应的行为，生成器智能体将会学习去最大化期望奖励，即：

其中，

式中，R(r)表示整个评论样本的奖励，由鉴别器和分类器共同确定提供，D表示鉴别器对评论进行计算得到的类别条件概率，

表示鉴别器对评论进行计算得到的类别条件概率；

为了最大化

生成器通过梯度策略算法一步步学习调整自己的参数θ_g，表示为：

式中，Qⁱ-Vⁱ为优势函数，其中：

式中，β是一个线性递减的参数，β＝N-i，用于更新生成器的参数θ_g时提高初始生成的词的重要性，使得生成器在初始生成阶段得到更加多样化的生成词项。

9.一种虚假用户评论检测***，其特征在于，包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现如权利要求1-8所述的方法步骤。

10.一种计算机可读存储介质，其上存储有能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现如权利要求1-8所述的方法步骤。

Images