有向符号网络中基于图神经网络的节点地位对抗攻击方法技术

本发明专利技术公开了一种有向符号网络中基于图神经网络的节点地位对抗攻击方法：步骤1：构建有向符号网络中节点的社会地位评估模型；步骤2：构建面向有向符号网络的节点地位对抗攻击模型，同时基于步骤1所构建的社会地位评估模型，根据攻击需求对图进行修改，得到对抗攻击图。本发明专利技术针对符号有向图，引入结合了地位理论这一研究，此前的相关研究并没有针对这种图数据的；除了在图的数据类型上有所不同，本发明专利技术还在设计攻击目标函数的约束中，考虑到了除了目标节点之外的其他节点的稳定性，在维持其他节点的稳定的基础上，提高目标节点的地位评估结果，试验证明，与同类算法相比，本发明专利技术的方法攻击性能更好。法攻击性能更好。法攻击性能更好。

【技术实现步骤摘要】
有向符号网络中基于图神经网络的节点地位对抗攻击方法


[0001]本专利技术涉及社交网络领域，具体涉及一种有向符号网络中基于图神经网络的节点地位对抗攻击方法。

技术介绍

[0002]近年来，在线社交平台蓬勃发展，在线用户之间的交互变得有迹可循，使得在线社交网络中用户之间的关系研究成为可能，图神经网络应运而生。作为一种新兴的图数据学习技术，图神经网络实现了图数据与深度学习的深度结合，受到了学术界与工业界的广泛关注。图神经网络的研究及其应用已被拓展到节点分类、链路预测、社区检测、药物分子的研发等领域。
[0003]影响力最大化问题一直是社交网络的研究热点。社交网络的结构隐含了在线用户的地位，如地位理论所述：低地位用户更倾向于信任高低位用户，高地位用户常质疑低地位用户。于是，在线社交网络中用户之间的交互可转化为一个有向符号网络，信任对应于“正”边，质疑对应于“负”边，用户间的指向关系对应于有向边，若存在一条用户A到B的正向边，则这条正向边将提高用户B的地位，节点A给B的地位带来正面影响；若存在一条用户C到D的负向边，则这条正向边将降低用户D的地本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种有向符号网络中基于图神经网络的节点地位对抗攻击方法，其特征在于，具体包括如下步骤：步骤1：构建有向符号网络中节点的社会地位评估模型；包括如下子步骤：步骤1.1：确定社会地位评估模型的损失函数；步骤1.2：构建计算图中节点所受到的地位影响的图神经网络；步骤1.3：根据步骤1.2构建的图神经网络计算图中所有节点的地位分数，在每次迭代计算结束后，采用当前次迭代得到的全图所有节点的地位分数；利用步骤1.1中的损失函数计算损失函数的值，当满足迭代停止条件时迭代停止，将当前次迭代得到的所有节点的地位分数作为最终得到的所有节点的地位分数。步骤2：构建面向有向符号网络的节点地位对抗攻击模型，同时基于步骤1所构建的社会地位评估模型，根据攻击需求对图进行修改，得到对抗攻击图；包括如下子步骤：步骤2.1：确定节点地位对抗攻击模型的目标函数，其中至少包括三个限制条件：对抗攻击图与原始图的相似性限制、攻击预算限制、其他节点的社会地位稳定性限制；步骤2.2：基于步骤1所构建的社会地位评估模型，计算原始图中所有节点的社会地位分数，并根据所有节点的社会地位分数对全网节点进行排序；步骤2.3：根据步骤2.2中得出的全网节点的地位分数排序，计算每个可操作节点对目标节点的地位影响力，并根据地位影响力对可操作节点进行排序，得到按地位影响力排序的可操作节点集合。步骤2.4：依据攻击需求确定修改边的方式，根据步骤2.3得到的按地位影响力排序的可操作节点集合对目标节点进行删边或添边操作，分两种情况：(1)当攻击需求为提升目标节点的社会地位时，删掉负影响边或添加正影响边，生成对抗攻击图；(2)当攻击需求为降低目标节点的社会地位时，删掉正影响边或添加负影响边，生成对抗攻击图；步骤2.5：在步骤2.1确定的对抗攻击图与原始图的相似性限制、攻击预算限制、目标节点与其他节点的社会地位变化限制这三个限制条件下，采用步骤2.4的方式根据攻击需求对图做出相应的修改，直到超出三条限制中的任一条，或可操作节点集合为空，此时步骤2.1中的目标函数也在三条限制条件下取得最大值，修改得到的图为最终的对抗攻击图。2.如权利要求1所述的有向符号网络中基于图神经网络的节点地位对抗攻击方法，其特征在于，所述步骤1.1中的损失函数如下：其中，和分别表示从u节点指出的正边对应的邻居集合、从u节点指出的负边对应的邻居集合、指向u节点的正边对应的邻居集合和指向u节点的负边对应的邻居集合；C
s
(u)和C
s
(v)分别表示节点u及其邻居节点v的地位分数；Θ是神经网络中所有可训练参数的集合，λ是用于防止模型过拟合的参数。3.如权利要求1所述的有向符号网络中基于图神经网络的节点地位对抗攻击方法，其
特征在于，所述步骤1.2的具体操作如下：符号网络图中每个节点的所有边依据对节点的影响被划分为两类：正影响边和负影响边，对于任一节点，指出的正边和指向自身的负边都属于负影响边，相反地指出的负边和指向自身的正边则属于正影响边；对图G(A，X)中的每个节点u，依据节点u和邻居之间的边，将邻居分为四个集合：从u节点指出的正边对应的邻居集合从u节点指出的负边对应的邻居集合指向u节点的正边对应的邻居集合和指向u节点的负边对应的邻居集合对这四类节点分别按照以下公式计算：分别按照以下公式计算：分别按照以下公式计算：分别按照以下公式计算：其中，和分别是可训练的权重矩阵，和则分别包含了节点u与四种邻居的链接信息；再进一步对节点u的这四类邻居节点v依据以下公式进行计算：再进一步对节点u的这四类邻居节点v依据以下公式进行计算：再进一步对节点u的这四类邻居节点v依据以下公式进行计算：再进一步对节点u的这四类邻居节点v依据以下公式进行计算：其中，x[v]∈X是节点v的特征向量，P
I
(u)、P
O
(u)、N
I
(u)和N
O
(u)则分别表示节点u的四类邻居与节点u之间的链接信息与邻居节点v的特征信息；再对每个节点的正影响邻居和负影响邻居分别应用均值聚合器，计算公式为：计算公式为：其中，C
p
(u)和C
N
(u)分别代表节点u受到的正影响和负影响，然后对这两种影响通过全连接层进行拼接得到节点u受到的综合影响C(u)，计算公式如下：C(u)即为节点u受到的综合影响，W则是可训练的权重矩阵，b是可训练的偏差矩阵；以上是一个计算节点所受地位影响的图神经网络的第一层，得出的结果包含了节点u所受到的一跳邻居的影响，以第一层为基础的更高层的结构如下：以第一层为基础的更高层的结构如下：
其中，P
Im
(u)、和分别表示了第m层节点u的四类邻居节点v自身受到(m
‑

【专利技术属性】
技术研发人员：尹小燕，孙可新，魏春，王嘉乐，贺帅帅，田苗，崔瑾，陈峰，陈晓江，房鼎益，
申请(专利权)人：西北大学，
类型：发明
国别省市：