一种信息溯源方法、装置、存储介质及电子设备制造方法及图纸

本说明书公开了一种信息溯源方法、装置、存储介质及电子设备，本说明书实施例对图网络进行信息模拟传播，以得到传播后的图网络中每个节点的状态信息。将状态信息和图网络的基础网络结构信息输入到待训练的图神经网络模型中，以通过图神经网络模型预测出传播后的图网络中信息传播的起始节点。以预测出的起始节点与真实起始节点之间的差异最小化为优化目标，对图神经网络模型进行训练。在此方法中，不依赖于信息传播的传播系数预测传播源，而是通过对图神经网络模型进行有监督训练，使图神经网络模型学习到传播后的图网络与传播源之间的对应关系，以基于训练后的图神经网络模型预测待溯源的图网络中的传播源，来提高预测传播源的准确性。的准确性。的准确性。

【技术实现步骤摘要】
一种信息溯源方法、装置、存储介质及电子设备


[0001]本说明书涉及信息溯源
，尤其涉及一种信息溯源方法、装置、存储介质及电子设备。

技术介绍

[0002]目前，信息溯源在各种场景中均有应用，比如：社交网络上谣言溯源、传染病的传染源定位、网络病毒溯源等。在信息溯源时，可以基于图网络进行传播源预测。其中，图网络(Graph Network，GN)是在拓扑空间内按图结构组织以进行关系推理的函数集合。
[0003]现有技术中，可以多次从图网络中随机选择一个节点作为模拟传播源，通过传播动力学模型中预设的传播系数，从模拟传播源开始，在图网络中模拟信息传播，以确定出图网络中每个节点的状态最接近真实状态时所选取的节点，作为最终预测出的传播源。其中，传播系数可以包括：感染率、恢复率、传播时间等。节点的状态可以包括：感染状态、恢复状态、未感染状态等。
[0004]然而，现有技术预测传播源的方法依赖于传播动力学模型的传播系数的取值，而在实际信息传播过程中的传播系数是未知的，这样，在假设传播系数的情况下，可能导致预测出的传播源不准确。

技术实现思路

[0005]本说明书实施例提供一种信息溯源方法、装置、存储介质及电子设备，以部分解决上述现有技术存在的问题。
[0006]本说明书实施例采用下述技术方案：
[0007]本说明书提供的一种信息溯源方法，包括：
[0008]获取预先构建的图网络；
[0009]生成针对所述图网络的模拟指令，以通过所述模拟指令，执行针对所述图网络的信息模拟传播任务，得到传播后图网络以及所述传播后图网络中每个节点的状态信息；
[0010]将每个节点的状态信息以及所述图网络的基础网络结构信息输入到待训练的图神经网络模型中，以通过所述图神经网络模型基于每个节点的状态信息，确定出每个节点对应的初始特征，根据每个节点对应的初始特征，确定任意两个节点之间的相关度，基于任意两个节点之间的相关度，对所述基础网络结构信息进行更新，得到更新后信息，根据所述更新后信息，对每个节点对应的初始特征进行处理，得到每个节点对应的处理后特征，并基于每个节点对应的处理后特征，确定出所述传播后图网络的整体特征，根据所述整体特征以及每个节点对应的处理后特征，预测出所述传播后图网络中信息传播的起始节点；
[0011]最小化预测出的起始节点与真实起始节点之间的差异为优化目标，对所述图神经网络模型进行训练，得到训练后模型；
[0012]在得到所述训练后模型之后，接收信息溯源请求，根据所述信息溯源请求，将待溯源的目标图网络中每个目标节点的状态信息以及所述目标图网络的基础网络结构信息输
入到所述训练后模型中，以通过所述训练后模型预测出所述目标图网络中信息传播的起始目标节点，并根据所述起始目标节点，执行任务。
[0013]可选地，在获取预先构建的图网络之前，所述方法还包括：
[0014]获取目标对象群，并确定所述目标对象群中各目标对象之间的直接关联关系；
[0015]以每个目标对象为节点，各目标对象之间的直接关联关系为边，构建图网络。
[0016]可选地，通过所述模拟指令，执行针对所述图网络的信息模拟传播任务，得到传播后图网络以及所述传播后图网络中每个节点的状态信息，具体包括：
[0017]根据所述模拟指令，从预先构建的图网络中随机选择一个节点确定为信息传播的起始节点；
[0018]将确定出的起始节点以及预先构建的图网络输入到传播动力学模型中，以通过所述传播动力学模型基于预设的传播系数，从确定出的起始节点开始，在所述图网络中进行信息传播，得到传播后图网络以及所述传播后图网络中每个节点的状态信息。
[0019]可选地，所述基础网络结构信息包括：邻接矩阵或拉普拉斯矩阵。
[0020]可选地，所述图神经网络模型包括：输入层、注意力层、图卷积层、图表征层、输出层；
[0021]将每个节点的状态信息以及所述图网络的基础网络结构信息输入到图神经网络模型中，以通过所述图神经网络模型基于每个节点的状态信息，确定出每个节点对应的初始特征，根据每个节点对应的初始特征，确定任意两个节点之间的相关度，基于任意两个节点之间的相关度，对所述基础网络结构信息进行更新，得到更新后信息，根据所述更新后信息，对每个节点对应的初始特征进行处理，得到每个节点对应的处理后特征，并基于每个节点对应的处理后特征，确定出所述传播后图网络的整体特征，根据所述整体特征以及每个节点对应的处理后特征，预测出所述传播后图网络中信息传播的起始节点，具体包括：
[0022]将每个节点的状态信息以及所述图网络的基础网络结构信息输入到待训练的图神经网络模型中，以通过所述输入层，对每个节点的状态信息进行编码，得到每个节点对应的初始特征；
[0023]将每个节点对应的初始特征输入到所述注意力层，以通过所述注意力层，根据每个节点对应的初始特征，确定任意两个节点之间的相关度；
[0024]将任意两个节点之间的相关度以及所述基础网络结构信息输入到所述图卷积层，以通过所述图卷积层，基于任意两个节点之间的相关度，对所述基础网络结构信息进行更新，得到更新后信息，根据所述更新后信息，对每个节点对应的初始特征进行处理，得到每个节点对应的处理后特征；
[0025]将所述图卷积层输出的每个节点对应的处理后特征输入到所述图表征层，以通过所述图表征层，基于每个节点对应的处理后特征，确定出所述传播后图网络的整体特征；
[0026]将所述整体特征以及每个节点对应的处理后特征输入到所述输出层，以通过所述输出层，根据所述整体特征以及每个节点对应的处理后特征，预测出所述传播后图网络中信息传播的起始节点。
[0027]可选地，基于任意两个节点之间的相关度，对所述基础网络结构信息进行更新，得到更新后信息，具体包括：
[0028]基于任意两个节点之间的相关度，确定包含任意两个节点之间的相关度的相关度
矩阵；
[0029]将所述相关度矩阵与所述基础网络结构信息进行点积，得到点积结果，并将点积结果作为对所述基础网络结构信息进行更新后的更新后信息。
[0030]可选地，根据所述更新后信息，对每个节点对应的初始特征进行处理，得到每个节点对应的处理后特征，具体包括：
[0031]将每个节点对应的初始特征以及所述更新后信息输入到图卷积层中的图卷积网络中，以通过图卷积网络，根据所述更新后信息，对每个节点对应的初始特征进行图卷积，得到每个节点对应的图卷积后特征，将每个节点对应的图卷积后特征与每个节点对应的初始特征进行相加，得到每个节点对应的处理后特征。
[0032]可选地，所述图卷积层包含多个图卷积网络；
[0033]将每个节点对应的初始特征以及所述更新后信息输入到图卷积层中的图卷积网络中，以通过图卷积网络，根据所述更新后信息，对每个节点对应的初始特征进行图卷积，得到每个节点对应的图卷积后特征，将每个节点对应的图卷积后特征与每个节点对应的初始特征进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种信息溯源方法，其特征在于，包括：获取预先构建的图网络；生成针对所述图网络的模拟指令，以通过所述模拟指令，执行针对所述图网络的信息模拟传播任务，得到传播后图网络以及所述传播后图网络中每个节点的状态信息；将每个节点的状态信息以及所述图网络的基础网络结构信息输入到待训练的图神经网络模型中，以通过所述图神经网络模型基于每个节点的状态信息，确定出每个节点对应的初始特征，根据每个节点对应的初始特征，确定任意两个节点之间的相关度，基于任意两个节点之间的相关度，对所述基础网络结构信息进行更新，得到更新后信息，根据所述更新后信息，对每个节点对应的初始特征进行处理，得到每个节点对应的处理后特征，并基于每个节点对应的处理后特征，确定出所述传播后图网络的整体特征，根据所述整体特征以及每个节点对应的处理后特征，预测出所述传播后图网络中信息传播的起始节点；最小化预测出的起始节点与真实起始节点之间的差异为优化目标，对所述图神经网络模型进行训练，得到训练后模型；在得到所述训练后模型之后，接收信息溯源请求，根据所述信息溯源请求，将待溯源的目标图网络中每个目标节点的状态信息以及所述目标图网络的基础网络结构信息输入到所述训练后模型中，以通过所述训练后模型预测出所述目标图网络中信息传播的起始目标节点，并根据所述起始目标节点，执行任务。2.如权利要求1所述的方法，其特征在于，在获取预先构建的图网络之前，所述方法还包括：获取目标对象群，并确定所述目标对象群中各目标对象之间的直接关联关系；以每个目标对象为节点，各目标对象之间的直接关联关系为边，构建图网络。3.如权利要求1所述的方法，其特征在于，通过所述模拟指令，执行针对所述图网络的信息模拟传播任务，得到传播后图网络以及所述传播后图网络中每个节点的状态信息，具体包括：根据所述模拟指令，从预先构建的图网络中随机选择一个节点确定为信息传播的起始节点；将确定出的起始节点以及预先构建的图网络输入到传播动力学模型中，以通过所述传播动力学模型基于预设的传播系数，从确定出的起始节点开始，在所述图网络中进行信息传播，得到传播后图网络以及所述传播后图网络中每个节点的状态信息。4.如权利要求1所述的方法，其特征在于，所述基础网络结构信息包括：邻接矩阵或拉普拉斯矩阵。5.如权利要求1所述的方法，其特征在于，所述图神经网络模型包括：输入层、注意力层、图卷积层、图表征层、输出层；将每个节点的状态信息以及所述图网络的基础网络结构信息输入到图神经网络模型中，以通过所述图神经网络模型基于每个节点的状态信息，确定出每个节点对应的初始特征，根据每个节点对应的初始特征，确定任意两个节点之间的相关度，基于任意两个节点之间的相关度，对所述基础网络结构信息进行更新，得到更新后信息，根据所述更新后信息，对每个节点对应的初始特征进行处理，得到每个节点对应的处理后特征，并基于每个节点对应的处理后特征，确定出所述传播后图网络的整体特征，根据所述整体特征以及每个节
点对应的处理后特征，预测出所述传播后图网络中信息传播的起始节点，具体包括：将每个节点的状态信息以及所述图网络的基础网络结构信息输入到待训练的图神经网络模型中，以通过所述输入层，对每个节点的状态信息进行编码，得到每个节点对应的初始特征；将每个节点对应的初始特征输入到所述注意力层，以通过所述注意力层，根据每个节点对应的初始特征，确定任意两个节点之间的相关度；将任意两个节点之间的相关度以及所述基础网络结构信息输入到所述图卷积层，以通过所述图卷积层，基于任意两个节点之间的相关度，对所述基础网络结构信息进行更新，得到更新后信息，根据所述更新后信息，对每个节点对应的初始特征进行处理，得到每个节点对应的处理后特征；将所述图卷积层输出的每个节点对应的处理后特征输入到所述图表征层，以通过所述图表征层，基于每个节点对应的处理后特征，确定出所述传播后图网络的整体特征；将所述整体特征以及每个节点对应的处理后特征输入到所述输出层，以通过所述输出层，根据所述整体特征以及每个节点对应的处理后特征，预测出所述传播后图网络中信息传播的起始节点。6.如权利要求1或5所述的方法，其特征在于，基于任意两个节点之间的相关度，对所述基础网络结构信息进行更新，得到更新后信息，具体包括：基于任意两个节点之间的相关度，确定包含任意两个节点之间的相关度的相关度矩阵；将所述相关度矩阵与所述基础网络结构信息进行点积，得到点积结果，并将点积结果作为对所述基础网络结构信息进行更新后的更新后信息。7.如权利要求1或5所述的方法，其特征在于，根据所述更新后信息，对每个节点对应的初始特征进行处理，得到每个节点对应的处理后特征，具体包括：将每个节点对应的初始特征以及所述更新后信息输入到图卷积层中的图卷积网络中，以通过图卷积网络，根据所述更新后信息，对每个节点对应的初始特征进行图卷积，得到每个节点对应的图卷积后特征，将每个节点对应的图卷积后特征与每个节点对应的初始特征进行相加，得到每个节点对应的处理后特征。8.如权利要求7所述的方法，其特征在于，所述图卷积层包含多个图卷积网络；将每个节点对应的初始特征以及所述更新后信息输入到图卷积层中的图卷积网络中，以通过图卷积网络，根据所述更新后信息，对每个节点对应的初始特征进行图卷积，得到每个节点对应的图卷积后特征，将每个节点对应的图卷积后特征与每个节点对应的初始特征进行相加，得到每个节点对应的处理后特征，具体包括：依次针对每个图卷积网络，将上一图卷积网络输出的每个节点对应的处理后特征重新确定为输入该图卷积网络的每个节点对应的初始特征；将输入...

【专利技术属性】
技术研发人员：洪星芸，张吉，许增辉，余婷，李明章，
申请(专利权)人：之江实验室，
类型：发明
国别省市：