一种基于动态加权图卷积的异常用户检测方法及存储介质技术

本发明专利技术公开了一种基于动态加权图卷积的异常用户检测方法及存储介质，在表示层采用知识图谱嵌入技术来捕捉用户之间的多种交互关系信息；在分类层采用图卷积技术作为分类模型，将用户分为正常用户与异常用户；采用图卷积技术实现用户间信息的传播，结合信任传播规则，在聚合邻居信息时，通过动态加权图卷积算子，区分不同邻居节点的重要度，对聚合的邻居信息进行过滤。本发明专利技术将知识图谱嵌入技术与社交网络异常用户检测相结合，自动学习用户间的多关系信息；采用图卷积技术实现用户间信息的传播；并且考虑了关系的非对称性，在聚合邻居信息时，通过动态加权图卷积算子，区分不同邻居节点的重要度，对聚合的邻居信息进行过滤，有效地提升了检测性能。有效地提升了检测性能。有效地提升了检测性能。

【技术实现步骤摘要】
一种基于动态加权图卷积的异常用户检测方法及存储介质


[0001]本专利技术属于异常用户检测的
，具体涉及一种基于动态加权图卷积的异常用户检测方法及存储介质。

技术介绍

[0002]社交网络的概念最早由Barnes于1954年提出，主要是指人类通过互联网实现社交的一种新形式。近年来，随着科技的进步，在线社交网络(online social network,OSN)满足了人们多方面的需求，现如今，社交网站已经成为人们相互联系、分享信息、感情、照片、帖子、状态等的一个广阔平台，与人们的工作、生活深度融合。国内知名在线社交网络平台——新浪微博的2021年财务报表显示，2021年9月的月活跃用户数达到了5.73亿。在线社交网络应用的出现与迅猛发展，使得人们对互联网的使用方式产生了深刻变革——由简单信息搜索和网页浏览转向网上社会关系的构建与维护、基于社会关系的信息创造、交流和共享，为世界各地的个人提供了一种信息共享的模式。然而，随着在线社交网络的爆炸式发展，也吸引着许多非法用户将其看作是牟取利益的工具，国外的Twitter、Facebook，以及国内本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于动态加权图卷积的异常用户检测方法，其特征在于，包括以下步骤：步骤S100：针对在线社交网络的多关系特征，在表示层采用知识图谱嵌入技术来捕捉用户之间的多种交互关系信息；步骤S200：在分类层采用图卷积技术作为分类模型，将用户分为正常用户与异常用户；采用图卷积技术实现用户间信息的传播，结合信任传播规则，在聚合邻居信息时，通过动态加权图卷积算子，区分不同邻居节点的重要度，对聚合的邻居信息进行过滤；步骤S300：对于不平衡数据集，采用欠采样方法进行抽样，采用抽样得到的平衡样本子集对分类模型进行优化训练，基于训练后的模型检测异常用户。2.根据权利要求1所述的一种基于动态加权图卷积的异常用户检测方法，其特征在于，所述步骤S100中，采用知识图谱嵌入技术对多关系社交网络中的节点进行向量化表示；采用TransE模型将在线社交网络OSN中的节点和关系嵌入到R
d0
，其中R
d0
为维数为d0的向量空间，将在线社交网络OSN的每个三元组实例(h,l,t)中的关系l看作是从实体h到实体t的翻译，通过不断调整h,l,t，尽可能使得h+l≈t，反之，当不包含这个三元组时，h+l应当远离t。3.根据权利要求2所述的一种基于动态加权图卷积的异常用户检测方法，其特征在于，所述步骤S100中，表示层的损失函数如下：其中，S为抽象用户交互行为得到的多关系有向社交图，S'为负样本，[x]
+
＝max(x，0)，S
′
(h，l，t)
＝{(h
′
，l，t)|h
′
∈E}∪{(h，l，t
′
)|t
′
∈E}，E表示图中边的集合，γ＞0，表示边缘；通过迭代训练最小化损失函数，得到社交网络中节点和关系的嵌入表示，然后输入到分类层用于后续的检测工作。4.根据权利要求1所述的一种基于动态加权图卷积的异常用户检测方法，其特征在于，所述步骤S200中，初步采用多关系图卷积实现用户间信息的传递，聚集用户的邻居信息，初步的每一层的输出计算如下：步的每一层的输出计算如下：其中，f为激活函数，为第k层关系关于r∈R的权重参数矩阵，d
k
为第k层输出向量的维度，...

【专利技术属性】
技术研发人员：易舒婷，张剑凯，周韵，黄琬庭，宋雨灿，黄可欣，张一弛，唐鸿锐，李岳洋，曹琳玲，张学虹，邓旭聪，陈浪，张芳，吴寿勇，杜德道，付饶，何军，杨伶俐，
申请(专利权)人：国网四川省电力公司广安供电公司，
类型：发明
国别省市：