【技术实现步骤摘要】
本专利技术涉及在线社交网络领域，特别是涉及一种社交网络中社交机器人的检测方法、系统、设备及介质。
技术介绍
1、在线社交网络(online social networks，osns)，是一种以计算机为媒介的交互技术，是基于web2.0的思想技术的互联网应用，是人们用来发布个人动态、获取各种信息的网络平台，其使用门槛低，并且赋予人们自主创造和选择内容的权限。社交媒体有很多种类，包含但不限于社交网络。社交媒体的概念已经扩展到即时通讯工具(微信，instagram)、新闻网站、电商网站、点评网站等各类媒体。互联网络上的社交媒体已经成为一个广泛、大规模、易用的实时信息传播平台。
2、关于社交机器人的检测方法一般分为两类，一类是基于传统机器学习的方式，利用人工提取的特征，诸如用户个人信息、文本内容等方面提取指标，并通过如贝叶斯网络和决策树等方法进行社交机器人检测；另一类方法则是基于深度学习的思想，通过构造神经网络来捕获潜在的特征实现检测。目前随着社交网络愈来愈庞大，加上社交机器人的进化，传统机器学习的方式已经无法区分正常用户与社交机器人之间的区别。深度学习的方法则通过对社交网络中多模态内容的分析，可以进一步提升检测正确率。
3、社交网络内容多元，除了传统的关注与被关注关系之外，还有诸如转发、点赞、评论等关系，以及与之相关的内容、主题等社交网络实体，由于社交网络上的行为语义趋向于复杂多样，许多恶意用户也会利用复杂交互行为进行攻击。因此，社交网络的表现形式是一个复杂的异构信息网络，对其中的社交机器人相关用户和内容进行检
4、现有的社交机器人检测方案仅依靠各类提前设定好指标训练策略模型，强烈依赖大量的样本去训练大模型，无法满足偶发和变化多样的社交网络社交机器人检测需求。元学习(metalearning)是一种基于知识迁移的神经网络优化训练方法，元学习方法通过将可优化的模型看作元学习器，通过划分多个相似的检测任务训练，能够基于梯度与权值共享来实现跨任务的知识迁移，是一种快速适应数据量较少深度学习模型策略优化任务。
5、鉴于上述背景，有必要设计一种新型社交机器人检测方法，以解决上述问题。
技术实现思路
1、本专利技术的目的是提供一种社交网络中社交机器人的检测方法、系统、设备及介质，可在小样本数据场景下应对各类社交机器人检测任务，同时提高检测的准确性。
2、为实现上述目的，本专利技术提供了如下方案：
3、一种社交网络中社交机器人的检测方法，包括：
4、从社交网络中收集社交机器人和非社交机器人的社交网络行为样本，并从所述社交网络行为样本中抽取实体以及实体之间的交互关系；
5、采用基于bert的预训练模型对实体进行特征编码，获得实体特征集；
6、构造用于表征实体之间的交互关系的社交网络异构图；
7、构建异构超图神经网络；其中，所述异构超图神经网络包括堆叠的多个神经网络层结构和一个线性层；每个神经网络层结构包括基于特征线性调制的图神经网络、超图聚合层和图残差结构，所述图残差结构用于汇总基于特征线性调制的图神经网络输出的局部特征和超图聚合层输出的全局特征；所述线性层用于聚合所有图残差结构汇总的特征，输出聚合特征；
8、将所述社交网络异构图输入基于特征线性调制的图神经网络，所述实体特征集和所述社交网络异构图输入超图聚合层，对所述异构超图神经网络进行训练，并采用模型无关元学习的方法进行优化，获得社交机器人检测模型；
9、实时采集待检测用户的社交网络行为，并生成待检测用户的实体特征和实际场景下的社交网络异构图；
10、将待检测用户的实体特征和实际场景下的社交网络异构图输入所述社交机器人检测模型，输出待检测用户的聚合特征，最终通过全连接神经网络，获得待检测用户的社交机器人检测结果。
11、一种社交网络中社交机器人的检测系统，包括：
12、收集模块，用于从社交网络中收集社交机器人和非社交机器人的社交网络行为样本，并从所述社交网络行为样本中抽取实体以及实体之间的交互关系；
13、特征编码模块，用于采用基于bert的预训练模型对实体进行特征编码，获得实体特征集；
14、异构图构造模块，用于构造用于表征实体之间的交互关系的社交网络异构图；
15、超图神经网络构建模块，用于构建异构超图神经网络；其中，所述异构超图神经网络包括堆叠的多个神经网络层结构和一个线性层；每个神经网络层结构包括基于特征线性调制的图神经网络、超图聚合层和图残差结构，所述图残差结构用于汇总基于特征线性调制的图神经网络输出的局部特征和超图聚合层输出的全局特征；所述线性层用于聚合所有图残差结构汇总的特征，输出聚合特征；
16、训练模块，用于将所述社交网络异构图输入基于特征线性调制的图神经网络，所述实体特征集和所述社交网络异构图输入超图聚合层，对所述异构超图神经网络进行训练，并采用模型无关元学习的方法进行优化，获得社交机器人检测模型；
17、实时采集模块，用于实时采集待检测用户的社交网络行为，并生成待检测用户的实体特征和实际场景下的社交网络异构图；
18、检测模块，用于将待检测用户的实体特征和实际场景下的社交网络异构图输入所述社交机器人检测模型，输出待检测用户的聚合特征，最终通过全连接神经网络，获得待检测用户的社交机器人检测结果。
19、一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述的社交网络中社交机器人的检测方法。
20、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被执行时实现如上述的社交网络中社交机器人的检测方法。
21、根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
22、本专利技术实施例在社交网络中的文本内容和用户属性预处理阶段运用了bert预训练模型，更有效的提取特征，同时引入了超图建模的思想，将社交网络中复杂的异构关系细化为二元与多元关系，并参数化超图结构，捕捉高阶的社交机器人行为模式，动态调整与发现社交机器人检测场景中潜在的高阶关系；且通过使用gnn-film模型(基于特征线性调制的图神经网络)引入可学习的仿射变换参数，调整不同关系之间信息传递的权值，能有效提高对关键信息的利用能力；在优化异构超图神经网络时，采用元学习优化的思想，自适应地生成不同检测任务之间的通用模式识别策略。在小样本数据场景下，本专利技术将克服人工智能对训练数据的强依赖性，能够利用通用策略与外部知识应对各类社交机器人检测任务；有效避免了信息利用率低，提高检测的准确性。
本文档来自技高网...【技术保护点】
1.一种社交网络中社交机器人的检测方法，其特征在于，包括：
2.根据权利要求1所述的社交网络中社交机器人的检测方法，其特征在于，所述社交网络行为样本包括：社交网络中的用户及其个人简档，社交网络用户之间的交互关系，社交网络中的文本内容，社交网络文本内容之间的交互关系，以及社交网络用户和文本内容之间的交互关系；
3.根据权利要求2所述的社交网络中社交机器人的检测方法，其特征在于，采用基于BERT的预训练模型对实体进行特征编码，获得实体特征集，具体包括：
4.根据权利要求1所述的社交网络中社交机器人的检测方法，其特征在于，所述超图聚合层通过超图聚合的方式聚合社区超边与话题超边对应的实体特征；
5.根据权利要求1所述的社交网络中社交机器人的检测方法，其特征在于，在采用模型无关元学习的方法进行优化时：
6.一种社交网络中社交机器人的检测系统，其特征在于，包括：
7.一种电子设备，其特征在于，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至5中任
8.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被执行时实现如权利要求1至5中任一项所述的社交网络中社交机器人的检测方法。
...【技术特征摘要】
1.一种社交网络中社交机器人的检测方法，其特征在于，包括：
2.根据权利要求1所述的社交网络中社交机器人的检测方法，其特征在于，所述社交网络行为样本包括：社交网络中的用户及其个人简档，社交网络用户之间的交互关系，社交网络中的文本内容，社交网络文本内容之间的交互关系，以及社交网络用户和文本内容之间的交互关系；
3.根据权利要求2所述的社交网络中社交机器人的检测方法，其特征在于，采用基于bert的预训练模型对实体进行特征编码，获得实体特征集，具体包括：
4.根据权利要求1所述的社交网络中社交机器人的检测方法，其特征在于，所述超图聚合层通过超图聚合的方式聚合社区超...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。