1.基于情绪感知元学习的跨事件虚假新闻检测方法，其特征在于：包括如下步骤：S1：构建情绪感知元任务和事件自适应元任务：S11：构建情绪感知元任务：

用K表示DS的事件集合，M∈{Real,Fake}是标签集合， 是DS中事件为k∈K且标签为m∈M的所有样本集合， 是事件为k∈K且标签为‑m∈M的所有样本集合，将单个帖子当作一个第i个元任务Ti的查询集 Ti的支持集 由 中和xi情绪序列最相近的q个样本以及 中和xi情绪序列最相反的q个样本组成；

设 中有N个样本，即共有N个情绪感知元任务，第i个元任务Ti表示为用ei表示xi的情绪序列，使用以下公式衡量xi和xj之间的情绪相似性：k

其中j∈{1,2,…,|D|}且i≠j；

S12：构建事件自适应元任务：

定义MMD距离由高斯核函数的特定表示φ(·)计算，它作用于源事件数据 和目标事件数据 MMD的经验近似为：其中， 表示基础检测模型的最后一个MLP的输入，即帖子的嵌入；

S2：对情绪感知元任务进行加权元学习

S21：为每个 计算相应的类原型 的计算公式为：其中ε(xi)是xi的文本嵌入，语义权重 的计算方法为：其中cos函数是余弦相似度函数，η是超参数，1(·)是一个指示函数， 表示事件为k的一个样本，K代表源域事件数量， 代表不是当前样本的其余事件原型；

S22：为源数据中的真实信息和虚假信息构建一个情绪原型dm，通过平均所有对应样本的情绪序列得到原型表示：其中Dm是Ds中的标签是m的所有样本集合，情绪权重 的计算方法为：其中，dm表示与帖子标签相同的情绪原型，d‑m表示与帖子标签相反的情绪原型；

Ti的权值wi为：

其中，λ是一个平衡因子；

S3：通过对基本检测模型进行训练得到初步检测模型Mθ*：将事件自适应元任务和经过S2进行加权元学习后的情绪感知元任务输入基本检测模型进行训练，根据损失不断迭代更新基本检测模型的参数，直至损失不再变化则得到初步检测模型；

在对基本检测模型进行训练时每次迭代中，以概率ρ∈(0,1)选择情绪感知元任务，以概率为1‑ρ选择事件自适应元任务，ρ是一个超参数；

S4：使用目标事件数据对S3所得 进行微调得到最优模型对于新的事件数据DT，根据DT创建测试任务，其中支持集和查询集随机选择，对于一个测试任务Ti′，使用Ti′的支持集对 进行n次微调：n *

θ′j＝U(θ；γ)

n

其中，θ′j表示用目标事件数据微调后的 的参数，U 表示对 的损失 梯度*下降n次，θ表示 的参数，γ表示学习率；

对Ti′的查询集使用 进行验证，当预测准确率达到预设阈值时执行下一步，否则将作为基本检测模型返回S3继续训练；

S5：目标领域待检测帖子的检测：

对于一个待检测帖子，将该待检测帖子输入S4得到的最优模型 输出该待检测帖子的预测标签。

2.如权利要求1所述的基于情绪感知元学习的跨事件虚假新闻检测方法，其特征在于：所述S4中对S3所得 进行微调时，如果目标领域样本数量为零，首先根据帖子的情绪序列分配弱标签，然后为每个帖子分配权重，最后使用这些弱标签数据对 进行微调；

根据新事件的情绪序列为帖子生成弱标签：如果帖子的情绪序列更接近真实帖子的情绪原型，则帖子的弱标签是真实的，反之亦然，公式是其中，dReal表示真实帖子的情绪原型，dFake表示虚假帖子的情绪原型；

如果情绪序列越接近其弱标签原型，则可认为弱标签的置信度越强，权重应越大，弱样本的权值为其中，τ是情绪阈值，使用 表示弱样本的学习率γ和弱样本权重 进行梯度下降n次；

3.如权利要求1或2所述的基于情绪感知元学习的跨事件虚假新闻检测方法，其特征在于：所述S3中基本检测模型由情绪特征提取器和语义特征提取器两部分组成，S31：情绪特征提取器根据先验知识给每个帖子构建了一个情绪序列，通过情绪序列特征将帖子情绪序列e捕获为24维向量，然后通过一层MLP层得到情绪特征fe＝MLP(e)；

S32：语义特征提取器

使用BERT作为语义特征提取器，采用BERT的最后一层中“[CLS]”的嵌入来表示语义嵌入ft；

S33：帖子的最终嵌入是情绪嵌入和语义嵌入的结合：f＝fe+ft

然后通过带有softmax的线性分类检测器检测虚假信息：

4.如权利要求3所述的基于情绪感知元学习的跨事件虚假新闻检测方法，其特征在于：当输入基本检测模型进行训练的是情绪感知元任务时，所述S3中的损失采用交叉熵损失函数LC计算：其中y表示帖子的真实标签，表示帖子的预测标签；

当输入基本检测模型进行训练的是事件自适应元任务训练时，所述S3中的损失采用两个事件的MMD作为损失函数Le计算：

5.如权利要求3所述的基于情绪感知元学习的跨事件虚假新闻检测方法，其特征在于：所述S3对基本检测模型进行训练得到 的过程中，所述事件自适应元任务只更新基本检测模型中情绪特征提取器和语义特征提取器中的参数，所述情绪感知元任务用于更新情绪特征提取器、语义特征提取器和线性分类检测器中的参数。