一种用于社会网络节点异常演化行为检测与评估方法技术

本发明专利技术涉及一种用于社会网络节点异常演化行为检测与评估方法，并给出了边缘生成和删除的设计指标，以评估一种关联预测算法的演化机制。此外，我们还提出了一种NEB向量来描述NEB的特征，并通过对不同时期内NEB向量之间的差异进行定量分析，从而发现了AEBN。此外，考虑到AEBN作为一种社会网络结构的扰动，提出了一种扰动指数量化AEBN客观上的社会网络结构的影响。用大量的实验涉及八个不同的现实世界中的社会网络的先进方法的比较结果表明，我们提出的方法可以有效地检测AEBN和合理评估其效果。

An anomaly evolution behavior detection and evaluation method for social network nodes

The invention relates to a method for detecting and evaluating the abnormal evolution behavior of the social network nodes, and gives the design criteria of edge generation and deletion to evaluate the evolution mechanism of an association prediction algorithm. In addition, we also propose a NEB vector to describe the characteristics of NEB and to find out AEBN by quantitative analysis of the differences between NEB vectors in different periods. In addition, considering the disturbance of AEBN as a social network structure, a disturbance index quantization AEBN is proposed to objectively influence the social network structure. The comparative results of a large number of experiments involving the advanced methods of social networks in eight different real world shows that our method can effectively detect AEBN and evaluate its effectiveness.

【技术实现步骤摘要】
一种用于社会网络节点异常演化行为检测与评估方法
本专利技术涉及计算机科学和社会网络领域，提出一种检测节点异常的演化行为的方法(称为DAE)，以及另一种评估节点异常的演化行为效果的方法(称为EEAE)。
技术介绍
随着社交网络服务最近几年的快速发展，如推特，WeChat，LinkedIn，和脸谱网的方式，极大地改变了人们的沟通。这些社交网络的研究也出现了大量的人气，从中发现社区防止私人信息推理攻击和检测犯罪活动寻找个性化的有影响力的话题。演化的社交网络通常用基于图的序列表示。在每一个图，节点代表个人(人、组织、或其他社会组织)和边缘代表社会关系或相互作用(友谊，同事关系，或信息交流)。一些优秀的演化机制已经发展为不断发展的社会网络来解释他们的动态结构变化，如三封，择优，同质性和社会平衡。某些真实事件的发生会干扰这些演化机制，并导致不断变化的社会网络结构的异常变化。不断发展的社会网络异常分析(aaesn)旨在应对这样的异常检测的有用的信息，因为它是维护网络社会的健康演化的重要。在危机管理与决策等方面的应用提供了重要的材料，aaesn描述社会状况。两种方法通常用于aaesn：基于文本和基于本文档来自技高网...

【技术保护点】
一种用于社会网络节点异常演化行为检测与评估方法，其特征在于，包含以下步骤：步骤1：基于边缘生成和删除指标，评估一种新的演化机制，并通过关联预测算法来适应演化机制；摘要基于不同的链路预测算法，并基于演化行为向量，通过对不同时期内演化行为向量之间的差异进行量化，从而对其进行了检测；步骤2：将目标节点的异常行为视为一个给定社交网络的邻接矩阵的扰动；摘要根据生成和迁移过程中目标的节点的异常行为的性能，通过对相邻矩阵的扰动和特征向量特征值的观察变化，对目标节点的异常行为的影响进行评估；最后根据一阶矩阵摄动得到微扰指数来量化目标的影响。

【技术特征摘要】
1.一种用于社会网络节点异常演化行为检测与评估方法，其特征在于，包含以下步骤：步骤1：基于边缘生成和删除指标，评估一种新的演化机制，并通过关联预测算法来适应演化机制；摘要基于不同的链路预测算法，并基于演化行为向量，通过对不同时期内演化行为向量之间的差异进行量化，从而对其进行了检测；步骤2：将目标节点的异常行为视为一个给定社交网络的邻接矩阵的扰动；摘要根据生成和迁移过程中目标的节点的异常行为的性能，通过对相邻矩阵的扰动和特征向量特征值的观察变化，对目标节点的异常行为的影响进行评估；最后根据一阶矩阵摄动得到微扰指数来量化目标的影响。2.根据权利要求1所述的一种用于社会网络节点异常演化行为检测与评估方法，其特征在于，步骤1的具体实现包含以下子步骤：步骤1.1：在一定时期内，一个目的节点的演化行为可分为边缘生成过程涉及到边缘的生成和边缘去除过程包括去除；一个节点演化行为的演化机制体现在其边缘产生和清除过程；因此，我们应用的链路预测算法在微观层面适应在其边缘产生和清除过程的性能的基础上去适应节点演化行为的演化机制；定义可能的边EP(i，t)＝{(i，j)|j∈Vt∩i！＝j},现有的边缘集合EC(i，t)＝{(i，j)|(i，j)∈Et},和不存在边缘集合我们提出了边的生成指数egi(i，t)(lp)来评估该边缘生成过程中所反映的演化机制在多大程度上可以被lp所适应；我们将EG(i，t)的边的概率值率与EN(i，t)中的边的边值进行比较；如果，对于N比较，EG(i，t)的边的边值是n1乘以n2，同样的分数的次数是n2，那么egi(i，t)(lp)定义如下：当所有比较边缘的概率被随机分配时，egi(i，t)(lp)大约是0.5；因此，egi(i，t)(lp)超过0.5的程度表明一个链接预测算法的性能比纯粹的机会好多少；在Neb(i，t)的边缘生成过程中，演化机制所反映的程度是lp来适应的；我们比较了EC(i，t)的边缘的可能性分数和ER(i，t)中的边的边值；如果，对于N次比较，EC(i，t)的边有更高的分数的次数为n1，同样的分数的次数为n2，eri(i，t)(lp)定义如下；eri(i,t)(lp)超过0.5的程度表明，在边的去除过程中，演化机制所反映的程度是由lp来适应的；当在特殊的时期(t-1,t)，egi(i,t)(lp)和eri(i，t)(lp)没被用在特殊节点i时.当egi(i，t)(lp)和eri(i，t)(lp)两值都小于0.5时，这表明lp不能适应演化机制Neb(i，t)；在这种情况下，它们仍然在对Neb(i，t)的描述中很有用，用于随后对AEBN的检测；例如,当egi值在S时期的x总是很大,比如egi>0.5，且如果eri(i，t)(lp))相对较小，比如egi(i，t)(lp)＜0.5,这实际上表明了体现在Neb(i，t)边缘生成过程演化机制偏离过去的状态；步骤1.2：基于不同的链接预测算法，我们适应了一种基于网络的演化机制；假想一个链路预测算法集ψ＝(lp1，lp2，...，lpk，...，lpM-1，lpM),构建NEB向量Nv(i，t)＝(egi(i，t)(lp1)，...，egi(i，t)(lpk)；Nv(i，t)有M个正元素用于边缘生成过程，M个负元素用于边缘去除过程；正面和负面元素的...

【专利技术属性】
技术研发人员：胡文斌，王欢，蔡新宇，杨轩，过冰峰，王思琪，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北,42