政策驱动:响应中央网信办"清朗AI"专项行动要求,构建覆盖内容治理、传播链追踪、公众教育、协同免疫的「四位一体」治理体系
技术使命:应对AI生成内容泛滥的挑战,打造融合传统特征分析与大模型技术的虚假新闻检测解决方案
| 检测维度 | 技术方案 | 创新点 |
|---|---|---|
| AI生成检测 | Fast-DetectGPT优化方案 + CFFN多模态模型 | 中文场景下AI生成文本识别准确率提升35%,图文不一致检测F1值达89% |
| 新闻可信度 | 贝叶斯自适应模型 + 媒体权威分级 | 构建动态媒体信任评估系统,支持3000+新闻源实时评分更新 |
| 传播特征分析 | 时空传播图谱 + 用户画像聚类 | 虚假新闻传播模式识别准确率82%,支持跨平台传播路径可视化 |
| 深度逻辑验证 | DeepSeek大模型三维评估框架(逻辑一致性/因果合理性/叙事客观性) | 实现新闻内容矛盾点自动标注,生成可解释性分析报告 |
• 智能取证工坊:支持谣言传播路径追踪与证据链自动生成 • 热点谣言地图:省级粒度的实时谣言分布热力图(支持时间轴回溯) • AI对抗实验室:提供"以AI对抗AI"的谣言生成/检测沙箱环境 • 数字免疫力测评:包含新闻真实性测试题库与个性化能力提升方案
[用户端] → (REST API) → [核心引擎层] ←→ [知识库系统]
│
├─ 特征提取引擎(BERT/ERNIE/TF-IDF)
├─ 多模态分析引擎(CFFN/Swin Transformer)
├─ 传播分析引擎(时空图神经网络)
└─ 大模型推理引擎(DeepSeek/ERNIE 3.0)
• NLP处理:BERT-wwm-ext / ERNIE 3.0 / TextRank • 多模态分析:CFFN(Consistency-learning Fine-grained Fusion Network) • 传播建模:GraphSAGE + 时空注意力机制 • 大模型应用:DeepSeek-R1 微调框架
graph TD
A[用户端] --> B(REST API)
B --> C[核心引擎层]
C --> D[知识库系统]
C -->|数据流| E[特征提取引擎]
C -->|多模态分析| F[视觉语义解析]
C -->|传播建模| G[图神经网络]
C -->|逻辑推理| H[大模型服务]
E -->|BERT/ERNIE| I[文本特征]
F -->|Swin-T| J[图像特征]
G -->|GraphSAGE| K[传播图谱]
H -->|DeepSeek| L[逻辑验证]
| 指标 | 测试集表现 | 行业基准对比优势 |
|---|---|---|
| 准确率 | 92.3% | +7.8pp |
| 多模态检测F1 | 89.1% | +12.4pp |
| 传播模式识别 | 85.6% | +19.2pp |
| 处理速度 | 2.3s/篇 | 3倍于传统方案 |
git clone <repository-url>
conda create --name news_detect python=3.11
conda activate news_detect
pip install -r requirements.txt
# 复制环境模板文件
cp .env.example .env
# 编辑配置参数(建议使用VS Code)
code .env
采用集中式配置管理,配置文件位于src/config.py
1️⃣ 环境变量法(推荐)
• 在.env文件中设置参数
• 支持热更新(无需重启服务)
2️⃣ 直接修改法
• 编辑src/config.py的默认值
• 需重启服务生效
| 配置类别 | 关键参数 | 说明 |
|---|---|---|
| API密钥 | OPENAI_API_KEY | 必填项,获取地址:OpenAI平台 |
SERPAPI_API_KEY | 搜索引擎API密钥 | |
| 模型配置 | OPENAI_MODEL | 默认gpt-4o-mini |
EMBEDDING_DEVICE | 优先选择cuda(需NVIDIA显卡) | |
| 应用设置 | SECRET_KEY | Flask会话密钥 |
DEBUG | 生产环境需设为False |
📁 百度网盘资源
链接:https://pan.baidu.com/s/14qxSO4LPOJtozEm7hPRHBQ
提取码:dpc3
模型文件
• 存放路径:项目根目录 /model
• 包含NLP模型和本地推理模型
检测数据
• output_data.json → src/static/backend/
• 历史检测结果存储文件
向量存储
• storage/ → src/static/backend/
• 新闻特征向量数据库
多模态检测模块
• MultiModal_DeepFake_main/ → src/frontend/
• 包含图像/视频检测组件
# 启动Flask服务
python run.py
# 成功启动后访问
http://localhost:5000
注意:使用OpenAI API会产生费用,建议通过
.env中的USE_OPENAI_API参数控制调用策略。本地模型支持常见的中文预训练模型。
├── run.py # 🚀 系统启动入口(Flask应用主程序) ├── src/ # 💻 核心代码库(遵循MVC设计模式) │ ├── init.py # 🔌 应用初始化模块(蓝本注册/依赖注入) │ ├── backend/ # 🛠️ 业务逻辑层(路由控制/数据处理) │ ├── frontend/ # 🎨 用户交互层(界面逻辑/可视化组件) │ ├── static/ # 🖼️ 静态资源池(CSS/JS/图标库) │ └── templates/ # 🖥️ 模板引擎 ├── model/ # 🤖 模型仓库(版本化管理) ├── uploads/ # 📤 用户上传区(自动分日期存储) ├── data/ # 🗃️ 外部数据 ├── .env # 🔒 环境密钥库(生产环境配置) └── .env.example # 🧪 环境模板(新用户指引)
开源政策
本项目采用 Apache 2.0 开源协议,模型权重文件遵循附加使用条款(详见MODEL_LICENSE)
https://i1.hdslb.com/bfs/archive/eb847128069b80c39a63d05c1e695ce09b32bce5.jpg
核心团队:秃头也要上
技术咨询:2625464350@qq.com
15 commits
HTML
46.6%
Python
28.6%
CSS
21.7%
JavaScript
3.1%
政策驱动:响应中央网信办"清朗AI"专项行动要求,构建覆盖内容治理、传播链追踪、公众教育、协同免疫的「四位一体」治理体系
技术使命:应对AI生成内容泛滥的挑战,打造融合传统特征分析与大模型技术的虚假新闻检测解决方案
| 检测维度 | 技术方案 | 创新点 |
|---|---|---|
| AI生成检测 | Fast-DetectGPT优化方案 + CFFN多模态模型 | 中文场景下AI生成文本识别准确率提升35%,图文不一致检测F1值达89% |
| 新闻可信度 | 贝叶斯自适应模型 + 媒体权威分级 | 构建动态媒体信任评估系统,支持3000+新闻源实时评分更新 |
| 传播特征分析 | 时空传播图谱 + 用户画像聚类 | 虚假新闻传播模式识别准确率82%,支持跨平台传播路径可视化 |
| 深度逻辑验证 | DeepSeek大模型三维评估框架(逻辑一致性/因果合理性/叙事客观性) | 实现新闻内容矛盾点自动标注,生成可解释性分析报告 |
• 智能取证工坊:支持谣言传播路径追踪与证据链自动生成 • 热点谣言地图:省级粒度的实时谣言分布热力图(支持时间轴回溯) • AI对抗实验室:提供"以AI对抗AI"的谣言生成/检测沙箱环境 • 数字免疫力测评:包含新闻真实性测试题库与个性化能力提升方案
[用户端] → (REST API) → [核心引擎层] ←→ [知识库系统]
│
├─ 特征提取引擎(BERT/ERNIE/TF-IDF)
├─ 多模态分析引擎(CFFN/Swin Transformer)
├─ 传播分析引擎(时空图神经网络)
└─ 大模型推理引擎(DeepSeek/ERNIE 3.0)
• NLP处理:BERT-wwm-ext / ERNIE 3.0 / TextRank • 多模态分析:CFFN(Consistency-learning Fine-grained Fusion Network) • 传播建模:GraphSAGE + 时空注意力机制 • 大模型应用:DeepSeek-R1 微调框架
graph TD
A[用户端] --> B(REST API)
B --> C[核心引擎层]
C --> D[知识库系统]
C -->|数据流| E[特征提取引擎]
C -->|多模态分析| F[视觉语义解析]
C -->|传播建模| G[图神经网络]
C -->|逻辑推理| H[大模型服务]
E -->|BERT/ERNIE| I[文本特征]
F -->|Swin-T| J[图像特征]
G -->|GraphSAGE| K[传播图谱]
H -->|DeepSeek| L[逻辑验证]
| 指标 | 测试集表现 | 行业基准对比优势 |
|---|---|---|
| 准确率 | 92.3% | +7.8pp |
| 多模态检测F1 | 89.1% | +12.4pp |
| 传播模式识别 | 85.6% | +19.2pp |
| 处理速度 | 2.3s/篇 | 3倍于传统方案 |
git clone <repository-url>
conda create --name news_detect python=3.11
conda activate news_detect
pip install -r requirements.txt
# 复制环境模板文件
cp .env.example .env
# 编辑配置参数(建议使用VS Code)
code .env
采用集中式配置管理,配置文件位于src/config.py
1️⃣ 环境变量法(推荐)
• 在.env文件中设置参数
• 支持热更新(无需重启服务)
2️⃣ 直接修改法
• 编辑src/config.py的默认值
• 需重启服务生效
| 配置类别 | 关键参数 | 说明 |
|---|---|---|
| API密钥 | OPENAI_API_KEY | 必填项,获取地址:OpenAI平台 |
SERPAPI_API_KEY | 搜索引擎API密钥 | |
| 模型配置 | OPENAI_MODEL | 默认gpt-4o-mini |
EMBEDDING_DEVICE | 优先选择cuda(需NVIDIA显卡) | |
| 应用设置 | SECRET_KEY | Flask会话密钥 |
DEBUG | 生产环境需设为False |
📁 百度网盘资源
链接:https://pan.baidu.com/s/14qxSO4LPOJtozEm7hPRHBQ
提取码:dpc3
模型文件
• 存放路径:项目根目录 /model
• 包含NLP模型和本地推理模型
检测数据
• output_data.json → src/static/backend/
• 历史检测结果存储文件
向量存储
• storage/ → src/static/backend/
• 新闻特征向量数据库
多模态检测模块
• MultiModal_DeepFake_main/ → src/frontend/
• 包含图像/视频检测组件
# 启动Flask服务
python run.py
# 成功启动后访问
http://localhost:5000
注意:使用OpenAI API会产生费用,建议通过
.env中的USE_OPENAI_API参数控制调用策略。本地模型支持常见的中文预训练模型。
├── run.py # 🚀 系统启动入口(Flask应用主程序) ├── src/ # 💻 核心代码库(遵循MVC设计模式) │ ├── init.py # 🔌 应用初始化模块(蓝本注册/依赖注入) │ ├── backend/ # 🛠️ 业务逻辑层(路由控制/数据处理) │ ├── frontend/ # 🎨 用户交互层(界面逻辑/可视化组件) │ ├── static/ # 🖼️ 静态资源池(CSS/JS/图标库) │ └── templates/ # 🖥️ 模板引擎 ├── model/ # 🤖 模型仓库(版本化管理) ├── uploads/ # 📤 用户上传区(自动分日期存储) ├── data/ # 🗃️ 外部数据 ├── .env # 🔒 环境密钥库(生产环境配置) └── .env.example # 🧪 环境模板(新用户指引)
开源政策
本项目采用 Apache 2.0 开源协议,模型权重文件遵循附加使用条款(详见MODEL_LICENSE)
https://i1.hdslb.com/bfs/archive/eb847128069b80c39a63d05c1e695ce09b32bce5.jpg
核心团队:秃头也要上
技术咨询:2625464350@qq.com
15 commits
HTML
46.6%
Python
28.6%
CSS
21.7%
JavaScript
3.1%