【技术实现步骤摘要】
基于加权动态网络表示学习的异常群体检测方法
本专利技术属于动态网络异常检测
，尤其涉及一种基于加权动态网络表示学习的异常群体检测方法。
技术介绍
随着网络技术的飞速发展和计算机、移动智能终端的广泛普及，网络极大地改变着人们的工作和生活，同时网络规模也变得越来越庞大、结构越来越复杂。这就使得对动态网络进行异常检测变得越来越困难，基于现有的图结构特征统计方法难以全面地捕捉图中的结构特征，如何在变化的网络中有效识别异常群体是当前的一个研究热点。网络表示学习其基本思想是通过一系列的转换将网络中的节点变成多维向量表示，在转换过程中要求尽可能多地保留原始网络中的结构信息，进而更方便地利用现有方法实现链接预测、节点多标签分类、社团划分等任务。在当前已知的动态网络表示学习方法中，在面对加权网络时，基于随机游走的方法在选择下一跳节点时，依据出度节点的权重来增大或缩小节点的选择概率。该方法可以有效地缩小表示学习后高权重边对应节点间的距离，然而在异常链接检测任务中，需要使用历史网络中的节点的表示来判断下一时间片网络中的节点间链接是否...
【技术保护点】
1.一种基于加权动态网络表示学习的异常群体检测方法，其特征在于，包括：/n步骤1：基于深度自编码神经网络构建加权动态网络表示学习模型；/n步骤2：基于构建的加权动态网络表示学习模型进行异常链接识别，得到异常链接集；/n步骤3：基于所述异常链接集构建全连接神经网络模型，通过所述全连接神经网络模型进行异常群体检测。/n
【技术特征摘要】
1.一种基于加权动态网络表示学习的异常群体检测方法，其特征在于，包括：
步骤1：基于深度自编码神经网络构建加权动态网络表示学习模型；
步骤2：基于构建的加权动态网络表示学习模型进行异常链接识别，得到异常链接集；
步骤3：基于所述异常链接集构建全连接神经网络模型，通过所述全连接神经网络模型进行异常群体检测。
2.根据权利要求1所述的基于加权动态网络表示学习的异常群体检测方法，其特征在于，所述步骤1包括：
步骤1.1：对于动态网络G＝{G1,G2,…,Gt,Gt+1,…,Gn}中的每一条边ei∈E，采集其在不同时间片网络中的权重值，边ei的权重值序列记为wei＝{w1,w2,...,wm}，对于序列wei，对其进行离散化；
步骤1.2：在各个时间片网络中，基于各时间片网络中的各个节点构建随机游走路径集，给定网络G＝(V,E,W)，对于任意v1∈V，构建随机游走路径集Ωv1＝{(v1,v2,...,vl,w12,w23,...,w(l-1)l),...|(vi,vi+1)∈E∩wi(i+1)∈W}，其中l为构建的随机游走路径的长度，wi(i+1)为边(vi,vi+1)的权重；
步骤1.3：将边的权重视为特殊的节点，通过one-hot编码方式将对随机游走路径中的各节点进行编码作为深度自编码神经网络的输入层和输出层，在中间层通过最小化损失函数学习网络结构及边的权重信息，同时压缩各节点向量表示的维度至预先设定的向量表示维度d。
3.根据权利要求2所述的基于加权动态网络表示学习的异常群体检测方法，其特征在于，所述步骤1.3包括：
步骤1.3.1：通过优化第一目标方程来最小化输入层和输出层的差异，第一目标方程为：
其中，|Ω|为随机游走路径的数量，l为随机游走路径的长度；为第nl层、即输出层的输出，W(nl-1)为第nl-1层权重，b(nl-1)表示第nl-1层偏置；为第i条随机游走路径的任一节点的one-hot编码，为第0层、即输入层的输入，为第i条随机游走路径边(vl-1,vl)的权重；
步骤1.3.2：在中间层，对于随机游走路径(v1,v2,...,vl,w12,w23,...,w(l-1)l)，通过优化第二目标方程来最小化该路径前半部分(v1,v2,...,vl)节点间的距离，第二目标方程为：
其中，与为随机游走路径中相邻的两个节点的one-hot编码；
步骤1.3.3：通过优化第三目标方程来最小化边和权重节点之间的距离，第三目标方程为：
其中为(v1...
【专利技术属性】
技术研发人员：冯昊，刘琰，周资乔，钟凤喆，王博，
申请(专利权)人：中国人民解放军战略支援部队信息工程大学，
类型：发明
国别省市：河南;41
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。