使用轮廓分数的商品分类攻击方法技术

本公开提供一种使用轮廓分数的商品分类攻击方法。步骤S1，将商品分类网络中的对象及对象关系使用图数据结构进行图建模；步骤S2，节点特征预处理；步骤S3，节点级别聚类；步骤S4，轮廓分数计算；步骤S5，图结构攻击；步骤S6：重复步骤S2‑S5，返回完成插入节点后的图结构作为攻击后的图。该方案可以被使用到具有同配性与不具有同配性的商品分类网络中，进行有效的黑盒图结构攻击；方法使用聚类算法对图节点进行预处理；引入轮廓分数评估攻击后图的质量；使用可扩展的梯度下降算法优化目标以降低图质量，作为更普适的黑盒攻击算法。

【技术实现步骤摘要】

本公开涉及人工智能领域，更具体地讲，涉及一种使用轮廓分数的商品分类攻击方法。

技术介绍

1、在深度学习与人工智能技术日益发展的时代，图数据因其能够精确描述实体间复杂的互联关系而显得尤为重要。与传统的图片、文字、视频、表格等结构化数据相比，图数据利用节点和连边来构建一个更加复杂的交互网络，这种结构非常适合于模拟城市交通系统的运行模式、企业间的合作关系、以及疾病传播路径等多样的情境。由于图数据能够揭示出实体之间的深层次相互作用和依赖关系，其在如交通规划、企业战略分析、公共卫生策略等实际应用中发挥着至关重要的作用。

2、随着对图数据应用的深入探索，图神经网络(gnn)应时而生，其通过深度学习技术挖掘图中隐藏的模式，建模节点间消息传递的信息聚合范式。图神经网络继承了深度神经网络的学习能力，同时加入了专门处理图数据的新机制，例如利用图的邻接矩阵来捕捉和学习节点之间的连接模式。这种创新性的方法让图神经网络在如节点预测、图的整体分类、以及边的预测等任务中展现出优异的性能。在实际应用中，图神经网络已经显示出在多个领域的巨大应用潜力。具体地，在交通领域，图神经网本文档来自技高网...

【技术保护点】

1.一种使用轮廓分数的商品分类攻击方法，其特征在于，包括步骤S1-S6：

2.如权利要求1所述的一种使用轮廓分数的商品分类攻击方法，其特征在于，所述降维算法为PCA降维算法，将节点特征由d降低至32维；降维步骤具体为：首先标准化原始数据，使得所有特征的平均值为0，标准差为1；其次计算标准化数据的协方差矩阵，并求解协方差矩阵的特征值与特征向量；然后按特征值大小排序特征向量，选择前32个最重要的特征向量作为主成分，记为P；最后将原始数据投影到选定的主成分上，得到降维后的数据，即XP＝XP。

3.如权利要求1所述的一种使用轮廓分数的商品分类攻击方法，所述边修改的具体方法...

【技术特征摘要】

1.一种使用轮廓分数的商品分类攻击方法，其特征在于，包括步骤s1-s6：

2.如权利要求1所述的一种使用轮廓分数的商品分类攻击方法，其特征在于，所述降维算法为pca降维算法，将节点特征由d降低至32维；降维步骤具体为：首先标准化原始数据，使得所有特征的平均值为0，标准差为1；其次计算标准化数据的协方差矩阵，并求解协方差矩阵的特征值与特征向量；然后按特征值大小排序特征向量，选择前32个最重要的特征向量作为主成分，记为p；最后将原始数据投影到选定的主成分上，得到降维后的数据，即xp＝xp。

3.如权利要求1所...

【专利技术属性】
技术研发人员：魏哲巍，雷润林，丁海鹏，
申请(专利权)人：中国人民大学，
类型：发明
国别省市：