一种基于大规模图神经网络的异常检测方法及系统技术方案

本发明专利技术公开了一种基于大规模图神经网络的异常检测方法，包括：将目标场景中的对象之间的关系转换为第一图结构；基于所述第一图结构获取特征矩阵；所述特征矩阵包括所述第一图结构中的节点特征；获取信息传递过程中所述特征矩阵的特征传播向量和误差向量；所述特征传播向量表征所述特征矩阵中节点之间已传递的信息量；所述误差向量表征所述特征矩阵中节点之间未传递的信息量；根据所述特征传播向量和误差向量获取所述特征矩阵的最终节点特征向量；根据所述最终节点特征向量计算节点的识别结果以进行异常检测。本发明专利技术所述的方法可以实现在大规模图上的异常检测，在有效时间内得到图上所有节点的识别结果。图上所有节点的识别结果。图上所有节点的识别结果。

【技术实现步骤摘要】
一种基于大规模图神经网络的异常检测方法及系统


[0001]本专利技术是关于计算机
，特别是关于一种基于大规模图神经网络的异常检测方法及系统。

技术介绍

[0002]异常是指与其他明显不同的一个。在不同的应用领域中，通常认为是与标准、正常或者预期有着明显差异的异常对象。在真实场景中，异常可能表现为垃圾邮件的发送者，社交网络中的欺诈者或虚假用户，计算机网络中的网络入侵者或恶意软件，以及工业系统中的损坏设备或故障块。尽管这些异常对象在现实世界中可能很少出现，但通常会产生真实和不利的影响，例如，社交媒体中的虚假新闻会造成恐慌和混乱，并可能向大众传播误导性信念，在线评论系统中的不可信评论会影响客户的购物选择，网络入侵可能会泄露个人隐私数据信息，异常数据还可能会造成巨大的经济损。
[0003]异常检测是数据挖掘过程，旨在识别偏离数据集中大多数的异常模式。为检测异常，传统技术通常将现实世界的对象表示为特征向量，例如使用词袋表示社交媒体中的新闻，使用颜色直方图表示网页中的图像，然后在向量空间中检测异常数据点。尽管这些技术已经显示出在表格数据格式下本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于大规模图神经网络的异常检测方法，其特征在于，所述方法包括：将目标场景中的对象之间的关系转换为第一图结构；其中，所述对象对应所述第一图结构的节点，所述对象之间的关系对应所述第一图结构的边；基于所述第一图结构获取特征矩阵；所述特征矩阵包括所述第一图结构中的节点特征，所述节点特征是所述节点的属性信息；获取信息传递过程中所述特征矩阵的特征传播向量和误差向量；所述特征传播向量表征所述特征矩阵中节点之间已传递的信息量；所述误差向量表征所述特征矩阵中节点之间未传递的信息量；根据所述特征传播向量和误差向量获取所述特征矩阵的最终节点特征向量；根据所述最终节点特征向量计算节点的识别结果以进行异常检测。2.根据权利要求1所述的基于大规模图神经网络的异常检测方法，其特征在于，所述方法还包括：将所述特征矩阵分解为d个特征向量；其中，d表示所述节点特征的维度；分别获取每一个特征向量的特征传播向量和误差向量；基于每一个特征向量的特征传播向量和误差向量获取所述特征矩阵的最终节点特征向量。3.根据权利要求2所述的基于大规模图神经网络的异常检测方法，其特征在于，获取每一个特征向量的特征传播向量包括：获取特征向量中每个节点的预测值和误差值；判断每个所述节点的所述误差值是否满足预设条件|r1(s)|<ε；若是，则将所述误差值的α倍作为更新后的预测值，剩余的1
‑
α倍分给每一个入邻居节点以转化为所述入邻居节点的误差值，其中，r1(s)为所述误差值，ε为误差阈值，α为传递参数，且满足0≤α≤1；若否，则获取所述特征向量的特征传播向量。4.根据权利要求2所述的基于大规模图神经网络的异常检测方法，其特征在于，d个所述特征向量独立进行信息传递。5.根据权利要求2所述的基于大规模图神经网络的异常检测方法，其特征在于，根据所述最终节点特征向量计算节点的识别结果包括：将所述最终节点特征向量作为多层感知器的输入；将所述多层感知器的参数迭代更新若干次后，计算...

【专利技术属性】
技术研发人员：魏哲巍，郑艳萍，王涵之，刘家俊，王思博，
申请(专利权)人：中国人民大学，
类型：发明
国别省市：