虚假新闻检测系统

本项目是基于 ConceptNN (概念神经网络) 文章算法实现的虚假新闻检测后端服务。它支持文本与图片的双模态特征提取，并保留了文章核心的 增量学习 (Incremental Learning) 能力，能够对接 Java 后端系统进行实时预测与模型更新。

---

1. 项目目录结构

fake_news_detector/
├── main.py                    # FastAPI 服务主入口
├── train_from_csv.py          # 【新增】从 CSV 文件进行初始训练的工具脚本
├── test_api.py                # API 快速测试工具
├── config.py                  # 全局参数与类别映射配置
├── requirements.txt           # 项目依赖包清单
├── full_train_data.csv        # 示例/初始训练数据集 (含全维度特征)
├── 项目说明.md                # 本文档
├── models/                    # 【自动创建】存放训练好的模型文件 (.h5)
│   └── concept_nn_model.h5    # 持久化模型文件
├── data/                      # 【自动创建】存放运行产生的 CSV 结果
│   ├── predictions_1.csv      # 批次预测明细
│   ├── full_train_data.csv             # 总体准确率累计表
│   └── metrics_by_category.csv # 按类别的详细指标
├── core/                      # 算法核心代码
│   ├── __init__.py
│   ├── concept_nn.py          # 概念神经网络核心类 (含增量学逻辑)
│   ├── concept_space.py       # 文章核心：概念空间构建逻辑
│   └── cosine_similarity.py   # 余弦相似度计算工具
├── preprocessing/             # 数据预处理 (向量化)
│   ├── __init__.py
│   ├── text_vectorizer.py     # 文本特征提取 (sentence-transformer)
│   ├── image_vectorizer.py    # 图像特征提取 (ResNet18)
│   └── feature_merger.py      # 特征合并与元数据标准化
└── api/                       # 接口层
    ├── __init__.py
    ├── router.py              # API 路由实现 (/predict, /train)
    ├── schemas.py             # Pydantic 数据格式校验模型
    └── metrics.py             # 评估指标 (Precision, Recall, F1)

2. 文件功能说明

其他

• models/: 用于存放持久化保存的 TensorFlow 模型文件 (.h5)。
• data/: 用于存放运行产生的 predictions_n.csv、full_train_data.csv 等结果文件。

---

2. 项目启动与环境参数

环境要求

• Python 版本: 推荐 Python 3.9 (本项目实测通过版本)。
• 系统平台: 支持 Windows / macOS / Linux。

启动步骤

1. 安装依赖:

   pip install -r requirements.txt
   

2. 运行服务:

   python main.py
   

   服务默认启动在: http://127.0.0.1:8000

核心参数调节 (config.py)

• N_EPOCHS: 初始训练的轮数。
• UPDATE_EPOCHS: 增量学习时每一批数据的更新轮数。
• SIMILARITY_THRESHOLDS: 概念空间构建时的相似度阈值搜索范围。

---

3. 接口调用示例

预测接口 (POST /predict)

向后端发送新闻数据，返回虚假概率。系统会自动在 data/ 目录下生成 CSV 记录。

请求示例:

{
  "items": [
    {
      "info_id": "unique_id_001",
      "info_content": "这里是新闻的正文内容...",
      "content_type": "社会",
      "image_base64": "",
      "publish_time": "2024-07-11",
      "user_gender": "女",
      "user_age": 23,
      "user_occupation": "农民",
      "user_location": "湖南",
      "user_register_time": "2003-06-10",
      "user_fans_count": 22,
      "like_count": 44,
      "comment_count": 33,
      "report_count": 11,
      "share_count": 6
    }
  ]
}

---

3. 初始化训练 (必须步骤)

在首次使用预测功能前，必须让模型学习“什么是虚假新闻”。项目提供了 train_from_csv.py 脚本来完成此任务。

训练数据格式

项目根目录下的 full_train_data.csv 应符合以下格式：

• title: 新闻标题
• desc: 新闻描述/正文
• label: 标签 (0 = 真实, 1 = 虚假)

执行训练

# 确保 full_train_data.csv 已就绪
python train_from_csv.py

说明:

• 脚本会调用 sentence-transformers 提取文本特征。
• 训练完成后，会在 models/ 目录下生成 concept_nn_model.h5 权重文件。
• 只要有了该文件，之后的预测接口才能给出有意义的概率值。

💡 训练数据质量保证 (去重逻辑)

为了确保模型的稳健性，训练脚本执行了严格的去重操作：

• 重复现象: 在原始收集中（如 51,055 行），常因多个学生采集重叠或“汇总表”包含“分表”而产生大量重复数据。
• 去重逻辑: 脚本通过 drop_duplicates(subset=['info_content']) 仅保留唯一的正文内容（约 20,000+ 条）。
• 必要性:
  1. 防止过拟合: 避免模型对高频出现的重复新闻产生“死记硬背”，确保其学习的是普遍规律。
  2. 公平评估: 纯净且独立的样本集能让准确率反映真实的泛化能力。

---

4. 测试方式

系统提供了多种方式进行功能验证：

方法 A：交互式文档 (推荐)

服务启动后，在浏览器访问： http://127.0.0.1:8000/docs

• 你可以看到所有可用接口。
• 点击 "Try it out" -> 修改 JSON -> 点击 "Execute"，即可直接在页面上查看返回结果。

方法 B：命令行 Curl

打开终端，执行以下命令：

curl -X POST http://127.0.0.1:8000/predict \
  -H "Content-Type: application/json" \
  -d '{"items": [{"info_id": "t1", "info_content": "测试文本", "content_type": "社会", "image_base64": "", "publish_time": "2024-07-11", "user_gender": "男", "user_age": 20, "user_occupation": "学生", "user_location": "北京", "user_register_time": "2020-01-01", "user_fans_count": 0, "like_count": 0, "comment_count": 0, "report_count": 0, "share_count": 0}]}'

方法 C：Python 测试脚本

项目根目录下提供了 test_api.py，运行即可验证：

python test_api.py

---

5. 增量学习机制说明

本项目保留了文章的 Dynamic Learning (动态学习) 特性：

1. 反馈学习: 当你有了一批真实标签（即知道哪些新闻确实是虚假，哪些是真实时），可以调用 /train 接口。
2. 模型自进化: 系统会调用 incremental_update 方法，在不破坏原有知识的基础上，针对新数据微调网络权重。
3. 性能监控: 每次预测的结果和概率分布都会记录在 CSV 中，方便后续进行离线分析和效果评估。

---

5. 常见问题 (FAQ)

• 为什么第一次运行很慢？ 首次运行会自动下载预训练的文本和图像模型（约 400MB），之后运行将直接从本地缓存加载，速度很快。

• 如何查看 API 文档？ 启动服务后，访问 http://127.0.0.1:8000/docs 即可查看可视化交互文档（Swagger UI）。

• 运行报错 ModuleNotFoundError: No module named 'tf_keras'？ 由于 transformers 库目前对 Keras 3 有兼容性问题，必须安装备份包：pip install tf-keras。

• 支持哪个 Python 版本？ 所有代码与依赖库均在 Python 3.9 环境下调试通过。虽然 3.10 理论上也支持，但为了减少依赖冲突，强烈建议使用 Python 3.9。