基于图神经网络和制造技术

本发明专利技术属于社交网络技术领域，特别涉及一种基于图神经网络和

【技术实现步骤摘要】
基于图神经网络和Cutmix的社交机器人检测系统及方法


[0001]本专利技术属于社交网络
，特别涉及一种基于图神经网络和
Cutmix
的社交机器人检测系统及方法
。

技术介绍

[0002]目前社交机器人检测技术可分为三类：基于特征的检测方法
、
基于图的检测方法和深度学习检测方法
。
自社交机器人检测领域发展以来，基于特征的检测方法就一直在使用
。
这种方法包括从用户的元数据中提取和设计特征，例如
Twitter
内容
、
用户数据
、
特征以及从朋友和邻居的信息中提取的时效性
、
语言和情感，然后使用传统的分类器进行社交机器人检测
。
然而，社交机器人可以根据为检测而设计的特征修改它们的注册信息，从而避免基于特征的检测方法
。
[0003]基于图的检测方法利用社交网络的图结构来预测每个剩余节点的标签
。
这些技术不需要大量高度依赖于语言的文本和媒体数据
。
基于核心算法，它们可以大致分为两类：随机游走方法和循环信念传播
(LBP)
方法
。
这两种方法都从一些标记节点开始，通过半监督学习预测未知标签
。
在社交平台上有效利用内部数据，可以显著提高其检测能力
。
[0004]基于深度学习的检测方法主要依赖于图表示学习或
GNN
模型，同时利用用户的属性和结构信息来提高检测性能
。TrustGCN
利用“好友请求
‑
回复”关系形成社交图，并将基于社交图的防御概念与
GNN
相结合，以提高对抗性攻击的鲁棒性
。Bot2vec
是一种改进的基于
Node2vec
的社交机器人检测算法
。
它结合了社区检测算法和图形表示学习算法，用于社交机器人检测
。
另外所提出的
BotRGCN
模型将图卷积网络应用于具有多模态用户语义
、
属性和邻域信息的
Twitter
社交图
。SATAR
是一个针对
Twitter
用户的自我监督演示学习框架，它利用用户的推文
、
元数据和社区信息
。
[0005]最近，数据增强已被证明在卷积神经网络中非常有效；然而，图神经网络
(GNN)
中的数据增强研究仍然很少
。
对于节点分类任务，
Rong
等人提出了一种名为
DropEdge
的数据增强技术，核心是在每个训练阶段从输入图中随机删除一定数量的边
。
王等人提出了一种图的两阶段混合方法
(MixupForGraph)
，首先像现有的
GNN
一样执行前馈，最初没有混合，然后在第二阶段对每一层的配对节点执行双分支混合图卷积
。
此外，
Han
等人提出了一种名为
G
‑
Mixup
的数据增强技术用于图分类，它对不同类别的图进行插值
。

技术实现思路

[0006]本专利技术的目的在于解决现有技术中的问题，提出一种基于图神经网络和
Cutmix
的社交机器人检测系统及方法，在社交机器人检测方面具有较高的准确率，特别适用于较少标记节点的情况下
。
[0007]为了实现上述目的，本专利技术采用以下的技术方案：
[0008]本专利技术提供了一种基于图神经网络和
Cutmix
的社交机器人检测系统，包括：
[0009]节点打乱模块，将原始社交网络图中的账户节点和对应的边打乱，在原始社交网
络图的基础上得到其同构图；
[0010]节点剪切混合模块，按顺序将原始社交网络图和其同构图的节点特征和标签进行混合；
[0011]属性连接模块，将混合后的节点特征输入到图卷积层中，图卷积层生成基于局部聚合的特征，再将这些特征与两个图的原始特征相结合产生新的特征，最终将生成的新特征输入到分类器进行社交机器人检测
。
[0012]根据本专利技术基于图神经网络和
Cutmix
的社交机器人检测系统，进一步地，在原始社交网络图的基础上得到其同构图包括：
[0013]在原始社交网络图上对节点进行洗牌，得到洗牌后的节点根据节点的顺序重新排序中的节点，使用
λ
表示节点洗牌的比例，
λ
∈[0,1]。
[0014]根据本专利技术基于图神经网络和
Cutmix
的社交机器人检测系统，进一步地，所述同构图定义如下：给定两个图和假设存在双射
m:
使得对全部的均有
uv∈E
A
等价于
m(u)m(v)∈E
B
，则称和是同构的
。
[0015]根据本专利技术基于图神经网络和
Cutmix
的社交机器人检测系统，进一步地，使用社交网络图和社交网络图中的第
i
个账户节点构造节点对
(h
A,i
,h
B,i
)
，其中
1≤i≤N
，
N
表示图中的节点数；对节点对进行剪切混合表示为：
[0016][0017]其中，
M∈{0,1}
H
为二进制掩码，表示从两个向量中删除和填充的位置，并且和
[0018]根据本专利技术基于图神经网络和
Cutmix
的社交机器人检测系统，进一步地，经过图卷积层得到输出图卷积层的输出与原始特征通过线性层得到的特征和相加得到和表达式如下：
[0019][0020][0021]之后，结果和被送入后续层的节点剪切混合模块；其中，是社交网络图邻接矩阵，是社交网络图邻接矩阵，
AGGREGAT
表示聚合相邻节点的隐藏表示的聚合函数
。
[0022]根据本专利技术基于图神经网络和
Cutmix
的社交机器人检测系统，进一步地，在计算损失函数时应混合相应的标签：
[0023][0024]其中，表示混合后的标签，
y
A
表示的标签，
y
B
表示的标签，
α
∈[0,1]，
α
表示控制比例的超参数
。
[0025]本专利技术还提供了一种基于图神经网络和
Cutmix
的社交机器人检测方法，包括以下步骤：
[0026]将原始社交网络图中的账户节点和对应的边打乱，在原始社交网络图的基础上得到其同构图；
[0027]按顺序将原始社本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于图神经网络和
Cutmix
的社交机器人检测系统，其特征在于，包括：节点打乱模块，将原始社交网络图中的账户节点和对应的边打乱，在原始社交网络图的基础上得到其同构图；节点剪切混合模块，按顺序将原始社交网络图和其同构图的节点特征和标签进行混合；属性连接模块，将混合后的节点特征输入到图卷积层中，图卷积层生成基于局部聚合的特征，再将这些特征与两个图的原始特征相结合产生新的特征，最终将生成的新特征输入到分类器进行社交机器人检测
。2.
根据权利要求1所述的基于图神经网络和
Cutmix
的社交机器人检测系统，其特征在于，在原始社交网络图的基础上得到其同构图包括：在原始社交网络图上对节点进行洗牌，得到洗牌后的节点根据节点的顺序重新排序中的节点，使用
λ
表示节点洗牌的比例，
λ
∈[0,1]。3.
根据权利要求2所述的基于图神经网络和
Cutmix
的社交机器人检测系统，其特征在于，所述同构图定义如下：给定两个图和假设存在双射
m:
使得对全部的均有
uv∈E
A
等价于
m(u)m(v)∈E
B
，则称和是同构的
。4.
根据权利要求3所述的基于图神经网络和
Cutmix
的社交机器人检测系统，其特征在于，使用社交网络图和社交网络图中的第
i
个账户节点构造节点对
(h
A,i
,h
B,i
)
，其中
1≤i≤N
，
N
表示图中的节点数；对节点对进行剪切混合表示为：...

【专利技术属性】
技术研发人员：李艳，周涵，石舒豪，巩道夫，刘粉林，李震宇，陈健，邹伟，胡倩，
申请(专利权)人：中国人民解放军战略支援部队信息工程大学，
类型：发明
国别省市：