【技术实现步骤摘要】
征;
[0009]设定U代表用户集合U={u1,u2…
u
n
},其中n代表用户的数目,u
i
代表第i个用户,P 代表商品集合P={p1,p2…
p
m
},其中m代表商品的数目,p
j
代表第j个商品,采用D代表 商品的用户序列的集合D={d1,d2…
d2},设定变量a
ij
,表示在商品i成为目标商品的前提 下,商品j成为目标商品的可疑度;
[0010]根据恶意用户和正常用户在商品使用上呈现的分布特点,进行预定义假设如下:
[0011]假设1:当一种商品与另一种商品具有达到预设阈值的相同用户序列数量时,则该 种商品则被定义为高可疑度目标商品;
[0012]假设2:高可疑度目标商品与多个商品具有部分相同的用户序列,且该相同用户序 列数量达到预设阈值;
[0013]基于上述假设1可得:
[0014][0015]基于假设2找出基于高可疑度商品分布的商品性质如下:
[0016][0017]a
i
=argmaxE(a
i
)
[0018]其中E表示数学期望,a
ij
表示在第i个商品成为高可疑度目标商品的前提下,第j 个商品成为高可疑度目标商品的可疑度;完成商品可疑度度量后,根据以下假设,构建 新的区分特征:
[0019]假设3:用户在多个高可疑度目标商品下评论时更有可能是恶意用户;
[0020]假设4:用户评论的商品可疑度越高 ...
【技术保护点】
【技术特征摘要】
1.一种基于特征学习和图推理的恶意用户检测方法,其特征在于,包括以下步骤:步骤S1、构建基础特征;基于用户的评论时间、评论内容、评论ID、所评论的商品信息和用户完成的投票打分事项,筛选出若干特征,用于区分恶意用户和普通用户;步骤S2、基于若干预定义假设,度量商品的可疑度,在商品视角下构建新的区分特征;设定U代表用户集合U={u1,u2…
u
n
},其中n代表用户的数目,u
i
代表第i个用户,P代表商品集合P={p1,p2…
p
m
},其中m代表商品的数目,p
j
代表第j个商品,采用D代表商品的用户序列的集合D={d1,d2…
d2},设定变量a
ij
,表示在商品i成为目标商品的前提下,商品j成为目标商品的可疑度;根据恶意用户和正常用户在商品使用上呈现的分布特点,进行预定义假设如下:假设1:当一种商品与另一种商品具有达到预设阈值的相同用户序列数量时,则该种商品则被定义为高可疑度目标商品;假设2:高可疑度目标商品与多个商品具有部分相同的用户序列,且该相同用户序列数量达到预设阈值;基于上述假设1可得:基于假设2找出基于高可疑度商品分布的商品性质如下:a
i
=argmaxE(a
i
)其中E表示数学期望,a
ij
表示在第i个商品成为高可疑度目标商品的前提下,第j个商品成为高可疑度目标商品的可疑度;完成商品可疑度度量后,根据以下假设,构建新的区分特征:假设3:用户在多个高可疑度目标商品下评论时更有可能是恶意用户;假设4:用户评论的商品可疑度越高,该用户为恶意用户的概率越大;设定第i个用户u
i
所评论的商品的可疑度分布为u
i
={sp1,sp2…
sp
k
},基于假设3,采用字符PSU表示公化结果如下:字符PSU表示公化结果如下:基于上述假设4,定义ASU如下:步骤S3、融合图神经网络和成对马尔可夫检测模型,并在GMMM的理论框架下,建立特征学习和标签分布推理的统一目标函数,将二分类任务转化为图节点的分类任务。
2.根据权利要求1所述的一种基于特征学习和图推理的恶意用户检测方法,其特征在于,所述步骤S3中,首先提出假设5:当一个用户和另一用户拥有相同数量的高可疑度目标商品时,二者具备相似标签;基于上述同构图假设,构建图结构;其中每一个节点表示一个用户,当用户与用户之间拥有相同数目的高可疑度商品时,则两者之间具备边关系;否则二者之间无边关系;将所述图结构G定义为:G=(V,E,X
V
),其中V代表图中顶点的集合,即用户集合,E代表图中边的集合,即用户之间的关系集合,X
V
表示图中所有节点的特征的集合;给定若干带有标签y
L
的节点预测剩余节点U=V\L所属标签;通过条件随机场将图中节点的联合分布建模为:其中Yv代表图中节点标签的集合,z(Xv)表示图中节点结合的势能函数;(i,j)表示为图G中的一条边,ψ
i,j
(y
i
,y
j
,X
V
)为定义在所述边上的势能函数;将所述无标签节点的预测问题转化为推断问题,推断无标签节点的后验概率分布p(Y
U
|Y
L
,X
V
),采用p
φ
(Y
V
|X
V
)表示定义在边上的势能函数,其中φ代表模型的参数;采用优化ELBO近似替代优化最大似然估计log p
φ
(Y
L
|X
V
),学习模型的参数φ如下:其中q
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。