CN113343123B - 一种生成对抗多关系图网络的训练方法和检测方法 - Google Patents
一种生成对抗多关系图网络的训练方法和检测方法 Download PDFInfo
- Publication number
- CN113343123B CN113343123B CN202110685127.1A CN202110685127A CN113343123B CN 113343123 B CN113343123 B CN 113343123B CN 202110685127 A CN202110685127 A CN 202110685127A CN 113343123 B CN113343123 B CN 113343123B
- Authority
- CN
- China
- Prior art keywords
- node
- relation
- graph
- nodes
- discriminator
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012549 training Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 239000013598 vector Substances 0.000 claims description 75
- 238000004364 calculation method Methods 0.000 claims description 23
- 238000005070 sampling Methods 0.000 claims description 23
- 238000012512 characterization method Methods 0.000 claims description 18
- 230000002452 interceptive effect Effects 0.000 claims description 10
- 230000004931 aggregating effect Effects 0.000 claims description 9
- 238000004519 manufacturing process Methods 0.000 claims description 9
- 230000003993 interaction Effects 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000001902 propagating effect Effects 0.000 claims description 3
- 239000010410 layer Substances 0.000 description 19
- 230000000694 effects Effects 0.000 description 6
- 230000002776 aggregation Effects 0.000 description 4
- 238000004220 aggregation Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 2
- 241000764238 Isis Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
Description
技术领域
本申请涉及机器账号检测领域,尤其涉及一种用于检测机器账号的生成对抗多关系图网络模型的训练方法和检测方法。
背景技术
2016年以来已经发现了第三代机器账号,这些账号由于人为操作和自动化的混合程度加深,甚至从其他真实账号盗取信息,利用人工智能技术生成高可信的文本或图片,其行为更像真实人类账号,使得机器账号更加难以被检测识别。
目前已提出不少机器账号检测方法的专利。例如通过分析用户好友的社会关系来区分正常账户和机器人账户;使用对蜜罐账号的发帖和关注策略收集账号,从收集的账号中检测机器人账号,并利用检测出的机器人账号找到更多的机器人账号;从用户和消息两类实体出发,采用非负矩阵三分解的方法同时给出用户和消息的划分指示矩阵,检测异常用户和消息;使用K-均值(K-means)算法和DBSCAN结合的聚类算法对社交网络中的账户进行聚类,使用聚类后的聚类中心附近的数据和簇边界附近的数据来训练支持向量机分类器用训练得到的SVM分类器对机器账号进行检测;利用网络爬虫自动获取微博和其他社交网络用户数据,分成训练集和测试集,用训练集训练SVM算法的分类器,利用训练好的分类器对社交网络用户进行检测。
然而上述现有技术面临以下问题:依赖大量数据样本,检测模型提出不及时;现有检测方案利用收集到的机器账号数据进行分析训练,进而提出对应训练集的检测模型并获得较好的效果,但是这些方法的泛化性较差。
发明内容
(一)要解决的技术问题
针对上述现有技术中存在的问题,本发明提供了一种用于检测机器账号的生成对抗多关系图网络模型的训练方法和一种基于生成对抗多关系图网络模型的机器账号的检测方法,旨在降低对数据样本的依赖,并充分利用账号之间不同交互操作所形成的不同类型的关系,丰富对账号检测的维度,提高机器账号检测的泛化性。
(二)技术方案
本发明公开了一种用于检测机器账号的生成对抗多关系图网络模型的训练方法,其中生成对抗多关系图网络模型包括生成器G、连接关系判别器D和分类器,上述训练方法包括:将不同平台上的账号建模成节点v;将账号之间的交互操作建模成关系r,其中上述关系r的数量由账号之间交互操作的类型数量确定;将不同平台建模成包含节点和关系的图其中,上述图的数量由上述关系r的数量确定;采样成对相连的节点对(v,u),利用上述生成器G生成源节点v的虚假目标节点vt;将节点对(v,u)和(v,vt)分别输入到上述连接关系判别器D中,用于训练上述连接关系判别器D,其中,当上述连接关系判别器D能够正确区分节点对(v,u)和(v,vt)的连接关系后,停止对上述连接关系判别器D的训练;用训练好的上述连接关系判别器D推理上述图中的节点对,确定上述节点对的连接关系,进而更新图的结构;选取上述图中的一个节点,选择上述节点将被聚合的邻居节点;在同种关系下,聚合上述节点的邻居节点得到同种关系下的图嵌入向量;将上述节点在不同关系下的图嵌入向量进行向量运算得到不同关系下的上述节点的表征向量;将上述节点的表征向量输入到上述分类器中,根据上述生成对抗多关系图网络模型的损失函数,反向传播更新生成对抗多关系图网络模型的参数,当上述损失函数的输出的值不再发生变化后,则停止对生成对抗多关系图网络的训练,得到训练好的生成对抗多关系图网络模型。
根据上述的训练方法,其中利用上述生成器G生成源节点v的虚假目标节点vt,包括:将源节点v和潜在变量z相加,其中上述潜在变量z符合多元正态分布,具体表达式为其中,d等于源节点的特征向量维度;将相加后的结果输入到上述生成器G中生成上述虚假目标节点vt。
根据上述的训练方法,其中上述生成器G的具体表达式为G(v;θG)=f(z;θf),其中f使用多层感知机实现,θf是f的参数,v是源节点,θG是上述生成器的参数;上述生成器G的损失函数定义为其中上述生成器G的参数θG通过最小化进行优化。
根据上述的训练方法,其中更新图的结构包括:在上述连接关系判别器D判断节点对之间存在连接的情况下,则在节点对之间建立连接关系;在上述连接关系判别器D判断节点对之间不存在连接的情况下,则在节点对之间删除连接关系;
根据上述的训练方法,其中选择上述节点将被聚合的邻居节点,包括:计算两个节点之间的L1范数距离;根据上述L1范数距离,计算两个节点的相似度;选择相似度大于选择阈值的节点作为上述节点将被聚合的邻居节点。
根据上述的训练方法,其中上述同种关系下的图嵌入向量的计算公式为:其中是节点v在关系r下第l层的嵌入向量,v′是节点v的邻居节点,是对于节点v的所有在关系r下抽取的邻居节点的嵌入向量取均值,ReLU是线性整流函数;其中上述表征向量的计算公式为:其中是上述节点v在l层得到的最终的嵌入向量,是从上一层中得到的上述节点v的嵌入向量,是设置的邻居过滤阈值。
本发明同时公开了一种基于生成对抗多关系图网络模型的机器账号的检测方法,包括:输入待检测的账号;将待检测账号与其他账号之间的交互操作建模成关系,其中每种交互操作对应一种关系;将待检测账号所在的平台建模成图,其中图的数量与关系的种类一致;使用生产对抗多关系图网络模型对待检测账号所在的图进行更新,其中上述生产对抗多关系图网络模型由权利要求1-9任一上述的方法训练得到;选取待检测账号将被聚合的邻居节点;在同种关系下,聚合上述待检测账号的邻居节点得到同种关系下的待检测账户的图嵌入向量;将上述待检测账号在不同关系下的图嵌入向量进行向量运算得到不同关系下的上述待检测账号的表征向量;将表征向量输入到上述生产对抗多关系图网络模型的分类器中,输出待检测账号的分类结果。
(三)有益效果
本发明能够充分利用账号之间交叉操作所形成的信息,从而构建一个多关系图的生成对抗网络模型,同时能够在训练过程中使用生成对抗多关系图网络模型改变多关系图的结构;依托于生成对抗多关系图神经网络模型对机器账号信息进行聚合得到表征向量,然后进行机器账号检测;同时利用社交平台中账号之前的关联关系,从而提升对机器账号的检测能力。
附图说明
图1是生成对抗多关系图网络模型图。
图2是生成对抗多关系图网络模型更新节点对之间关系的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明作进一步的详细说明。
本发明实施例公开了一种用于检测机器账号的生成对抗多关系图网络模型的训练方法,其中生成对抗多关系图网络模型包括生成器G、连接关系判别器D和分类器,所述训练方法包括:将不同平台上的账号建模成节点v;将账号之间的交互操作建模成关系r,其中所述关系r的数量由账号之间交互操作的类型数量确定;将不同平台建模成包含节点和关系的图其中,所述图的数量由所述关系r的数量确定;采样成对相连的节点对(v,u),利用所述生成器G生成源节点v的虚假目标节点vt;将节点对(v,u)和(v,vt)分别输入到所述连接关系判别器D中,用于训练所述连接关系判别器D,其中,当所述连接关系判别器D能够正确区分节点对(v,u)和(v,vt)的连接关系后,停止对所述连接关系判别器D的训练;用训练好的所述连接关系判别器D推理所述图中的节点对,确定所述节点对的连接关系,进而更新图的结构;选取所述图中的一个节点,选择所述节点将被聚合的邻居节点;在同种关系下,聚合所述节点的邻居节点得到同种关系下的图嵌入向量;将所述节点在不同关系下的图嵌入向量进行向量运算得到不同关系下的所述节点的表征向量;将所述节点的表征向量输入到所述分类器中,根据所述生成对抗多关系图网络模型的损失函数,反向传播更新生成对抗多关系图网络模型的参数,当所述损失函数的输出的值不再发生变化后,则停止对生成对抗多关系图网络的训练,得到训练好的生成对抗多关系图网络模型。
本发明能够动态更新图的结构,并且充分利用了平台上账号之间交互操作(如回复、关注、朋友、评论等)的信息,在同种关系下(即同类型的关系,如回复)聚合节点相似的邻居节点,得到图嵌入向量,在不同关系下(即不同类型的关系,如回复、关注等)聚合同种关系下的图嵌入向量,得到一个反映账号信息的多维度多层次的表征向量,降低恶意用户为了伪装自身在社交平台中对关系图进行扰动的行为,提升检测器的检测效果。
图1是生成对抗多关系图网络模型图,其中vi表示节点,ri表示不同类型的关系,表示节点i在与特定关系相对应的第j层的表征向量,对于一个中心节点需要聚合与中心节点在不同关系下与中心节点相连接的邻居节点,从而得到可以供下游分类任务进行分类的图嵌入向量。首先使用训练好的生成对抗网络模块来判别图中节点对是否存在连接关系,从而更新图结构。然后根据节点的相似度以及阈值选出将被聚合的邻居节点,在同种关系聚合层,得到中心节点在单一关系下的嵌入向量。在多种关系聚合层聚合中心节点在不同关系下的嵌入向量得到节点最终的表征向量供分类器分类。
图2是生成对抗多关系图网络模型更新节点对之间关系的示意图,其中图示标记的具体含义参考上述图1中的标记,从图中采样成对相连的节点(v,u),用源节点v训练生成器,生成节点v的虚假目标节点vt,同时将节点对(v,u)和(v,vt)输入到连接关系判别器中进行训练。然后从图中采样节点对输入连接关系判别器,推理当前采样节点对是否相似,即是否应该存在连接关系,用连接关系判别器的推理结果更新图结构。
根据本发明公开的训练方法,其中利用上述生成器G生成源节点v的虚假目标节点vt,包括:将源节点v和潜在变量z相加,其中上述潜在变量z符合多元正态分布,具体表达式为其中,d等于源节点的特征向量维度;将相加后的结果输入到上述生成器G中生成上述虚假目标节点vt。
生成对抗多关系图网络模型中的生成器G的目标就是能够根据从图中取样得到的源节点生成接近于真实的目标节点。即,当给定了一个源节点生成器G的目标就是生成虚假的目标邻居节点vt,节点vt应该尽可能的接近真实存在的节点。
根据本发明公开的训练方法,其中上述生成器G的具体表达式为G(v;θG)=f(z;θf),其中f使用多层感知机实现,θf是f的参数,v是源节点,θG是上述生成器的参数;上述生成器G的损失函数定义为其中所述生成器G的参数θG通过最小化进行优化。
通过上述生成器G能够生成较为真实的虚假账号,以提高判别器的判别效果。
根据本发明公开的训练方法,其中更新图的结构包括:在上述连接关系判别器D判断节点对之间存在连接的情况下,则在节点对之间建立连接关系;在上述连接关系判别器D判断节点对之间不存在连接的情况下,则在节点对之间删除连接关系;
上述连接关系判别器D试着分辨从图中采样的源节点和邻居节点对(v,u)和源节点与生成器G生成的虚假邻居节点对(v,vt)。对于生成器G生成质量差的邻居节点给出与生成器G期望得到的相反标签,就会提高损失值,为了降低损失值,生成器只能不断优化生成邻居节点的质量,这样判别器D就强制G生成接近真实的虚假邻居节点。同时增强自身对于源节点和邻居节点是否存在真实连接的判别力。对于一个给定的节点对(v,u),D将输出节点v与u存在连接的可能性,因此被连接关系判别器D定义为其中f使用多层感知机实现,θf是f的参数,θD是连接关系判别器D的参数;
其中上述正例采样即采样的节点对(v,u)在图中是实际存在边连接的;上述负例采样即对于一个给定的节点vt表示为v的虚假邻居节点,由所述生成器生成,即vt~G(v;θG),则(v,vt)称为负例采样;采用负例采样时,上述连接关系判别器的损失函数为
通过从图中进行正例采样和通过使用生成器G生成的虚假节点训练判别器D。选定源节点v,从剩余的其他节点中采样邻居节点u,形成采样节点对然后用训练好的判别器D,对节点对进行推理,得到存在关系r的可能性pe。手动设定阈值为TD,当pe大于阈值时表明图中应该存在连接即更新图,在图中的节点v和u之间添加一条边;反之,将节点v和u之间存在的边删除。
为了能够对邻居有所筛选,需要对节点之间的相似度进行度量。为了实现这一点,在模型的每一层中使用一个单层的多层感知机,来预测两个节点的相关性,作为两个节点相似度的度量标准。
根据本发明公开的训练方法,其中选择所述节点将被聚合的邻居节点,包括:计算两个节点之间的L1范数距离;根据所述L1范数距离,计算两个节点的相似度;选择相似度大于选择阈值的节点作为所述节点将被聚合的邻居节点。
根据本发明公开的训练方法,其中上述L1范数距离的计算公式为:其中v′是节点v的邻居节点,是在第l层的关系r下的一个中心节点v和一个邻居节点v′存在的一条边,f(l)代表在关系r下第l层的多层感知机,σ是非线性激活函数tanh,表示节点v在l-1层的嵌入向量;其中上述两个节点的相似度的计算公式为:每一层都有一个多层感知机进行相似性度量;其中上述f(l)的损失函数为交叉损失函数,计算公式为:其中yv是节点v的标签,yv∈{0,1},0代表节点为正常账号,1代表节点为机器账号。
通过相似度计算来选取节点的将要被聚合的相似邻居节点,能够挖掘节点潜在的信息,方便得到节点的表征向量。
根据本发明实施例公开的训练方法,其中上述同种关系下的图嵌入向量的计算公式为:其中是节点v在关系r下第l层的嵌入向量,v′是节点v的邻居节点,是对于节点v的所有在关系r下抽取的邻居节点的嵌入向量取均值,ReLU是线性整流函数;
其中上述表征向量的计算公式为:其中是所述节点v在l层得到的最终的嵌入向量,是从上一层中得到的所述节点v的嵌入向量,是设置的邻居过滤阈值,与在关系r下得到的相乘,然后与节点v的上一层嵌入向量相加,最后得到v在l层的图嵌入向量
通过同种关系下聚合节点的相似邻居节点得到图嵌入向量,并通过向量运算得到不同关系下的节点的表征向量,综合了节点多方面的信息,从而为机器账号检测提供了丰富的维度,提升了机器账号检测的效果和鲁棒性。
通过上述损失函数,可以不断优化模型的参数,最终得到最优的模型参数之。
本发明实施例还公开了一种基于生成对抗多关系图网络模型的机器账号的检测方法,包括:输入待检测的账号;将待检测账号与其他账号之间的交互操作建模成关系,其中每种交互操作对应一种关系;将待检测账号所在的平台建模成图,其中图的数量与关系的种类一致;使用生产对抗多关系图网络模型对待检测账号所在的图进行更新,其中所述生产对抗多关系图网络模型由本发明实施例公开的上述方法训练得到;选取待检测账号将被聚合的邻居节点;在同种关系下,聚合所述待检测账号的邻居节点得到同种关系下的待检测账户的图嵌入向量;将所述待检测账号在不同关系下的图嵌入向量进行向量运算得到不同关系下的所述待检测账号的表征向量;将表征向量输入到所述生产对抗多关系图网络模型的分类器中,输出待检测账号的分类结果。
本发明实施例公开的检测方法,采用训练好的生成对抗多关心图网络模型,不断更新图结构,为两个在图中没有直接相连的潜在相似节点增加连接,再聚合这些相似节点的特征,从而增强模型对潜在相似节点的聚合能力,并去除不相关账号对中心账号的影响;同时根据用户间不同的交互类型,建立多个关系图,在多个关系图下聚合邻居信息得到更加精准,表征能力更强的特征向量,从而提升了对机器账号检测的效果。
结合下述对机器账号训练和检测算法的具体描述,更有利于对本发明实施例公开的训练方法以及检测方法的理解。
首先初始化参数,设定阈值,然后在迭代样本的时候首先用连接关系判别器损失函数和L1范数距离计算公式训练生成对抗网络,如果迭代次数超过T就可以使用连接关系判别器进行推理,更新图结构;然后用相似度计算公式计算节点间的相似度,挑选邻居;然后用图嵌入向量的计算公式计算同种关系节点的图嵌入向量,以及用表征向量计算公式计算多种关系下的图嵌入向量;最后用生成对抗多关图网络模型损失函数公式计算相似度损失和GNN损失,更新参数值。
以上上述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,应理解的是,以上上述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种用于检测机器账号的生成对抗多关系图网络模型的训练方法,其中生成对抗多关系图网络模型包括生成器G、连接关系判别器D和分类器,所述训练方法包括:
将不同平台上的账号建模成节点v;
将账号之间的交互操作建模成关系r,其中所述关系r的数量由账号之间交互操作的类型数量确定;
采样成对相连的节点对(v,u),利用所述生成器G生成源节点v的虚假目标节点vt;
将节点对(v,u)和(v,vt)分别输入到所述连接关系判别器D中,用于训练所述连接关系判别器D,其中,当所述连接关系判别器D能够正确区分节点对(v,u)和(v,vt)的连接关系后,停止对所述连接关系判别器D的训练;
在同种关系下,聚合所述节点的邻居节点得到同种关系下的图嵌入向量;
将所述节点在不同关系下的图嵌入向量进行向量运算得到不同关系下的所述节点的表征向量;
将所述节点的表征向量输入到所述分类器中,根据所述生成对抗多关系图网络模型的损失函数,反向传播更新生成对抗多关系图网络模型的参数,当所述损失函数的输出的值不再发生变化后,则停止对生成对抗多关系图网络的训练,得到训练好的生成对抗多关系图网络模型。
在所述连接关系判别器D判断节点对之间存在连接的情况下,则在节点对之间建立连接关系;
在所述连接关系判别器D判断节点对之间不存在连接的情况下,则在节点对之间删除连接关系;
5.根据权利要求1所述的训练方法,其中选择所述节点将被聚合的邻居节点,包括:
计算两个节点之间的L1范数距离;
根据所述L1范数距离,计算两个节点的相似度;
选择相似度大于选择阈值的节点作为所述节点将被聚合的邻居节点。
10.一种基于生成对抗多关系图网络模型的机器账号的检测方法,包括:
输入待检测的账号;
将待检测账号与其他账号之间的交互操作建模成关系,其中每种交互操作对应一种关系;
将待检测账号所在的平台建模成图,其中图的数量与关系的种类一致;
使用生产对抗多关系图网络模型对待检测账号所在的图进行更新,其中所述生产对抗多关系图网络模型由权利要求1-9任一所述的方法训练得到;
选取待检测账号将被聚合的邻居节点;
在同种关系下,聚合所述待检测账号的邻居节点得到同种关系下的待检测账户的图嵌入向量;
将所述待检测账号在不同关系下的图嵌入向量进行向量运算得到不同关系下的所述待检测账号的表征向量;
将表征向量输入到所述生产对抗多关系图网络模型的分类器中,输出待检测账号的分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110685127.1A CN113343123B (zh) | 2021-06-21 | 2021-06-21 | 一种生成对抗多关系图网络的训练方法和检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110685127.1A CN113343123B (zh) | 2021-06-21 | 2021-06-21 | 一种生成对抗多关系图网络的训练方法和检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113343123A CN113343123A (zh) | 2021-09-03 |
CN113343123B true CN113343123B (zh) | 2022-09-09 |
Family
ID=77478425
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110685127.1A Active CN113343123B (zh) | 2021-06-21 | 2021-06-21 | 一种生成对抗多关系图网络的训练方法和检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113343123B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113822419B (zh) * | 2021-09-26 | 2023-08-01 | 广东技术师范大学 | 一种基于结构信息的自监督图表示学习运行方法 |
CN116737934B (zh) * | 2023-06-20 | 2024-03-22 | 合肥工业大学 | 一种基于半监督图神经网络的水军虚假评论检测算法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110674929A (zh) * | 2019-09-19 | 2020-01-10 | 东北大学 | 一种基于网络结构相似性的对抗网络表示学习方法 |
CN111210002A (zh) * | 2019-12-30 | 2020-05-29 | 北京航空航天大学 | 一种基于生成对抗网络模型的多层学术网络社区发现方法、系统 |
CN111415265A (zh) * | 2020-02-20 | 2020-07-14 | 四川新网银行股份有限公司 | 生成式对抗网络的社交关系数据生成方法 |
CN112216273A (zh) * | 2020-10-30 | 2021-01-12 | 东南数字经济发展研究院 | 一种针对语音关键词分类网络的对抗样本攻击方法 |
CN112818257A (zh) * | 2021-02-19 | 2021-05-18 | 北京邮电大学 | 基于图神经网络的账户检测方法、装置和设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019220128A1 (en) * | 2018-05-18 | 2019-11-21 | Benevolentai Technology Limited | Graph neutral networks with attention |
US11606389B2 (en) * | 2019-08-29 | 2023-03-14 | Nec Corporation | Anomaly detection with graph adversarial training in computer systems |
-
2021
- 2021-06-21 CN CN202110685127.1A patent/CN113343123B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110674929A (zh) * | 2019-09-19 | 2020-01-10 | 东北大学 | 一种基于网络结构相似性的对抗网络表示学习方法 |
CN111210002A (zh) * | 2019-12-30 | 2020-05-29 | 北京航空航天大学 | 一种基于生成对抗网络模型的多层学术网络社区发现方法、系统 |
CN111415265A (zh) * | 2020-02-20 | 2020-07-14 | 四川新网银行股份有限公司 | 生成式对抗网络的社交关系数据生成方法 |
CN112216273A (zh) * | 2020-10-30 | 2021-01-12 | 东南数字经济发展研究院 | 一种针对语音关键词分类网络的对抗样本攻击方法 |
CN112818257A (zh) * | 2021-02-19 | 2021-05-18 | 北京邮电大学 | 基于图神经网络的账户检测方法、装置和设备 |
Non-Patent Citations (5)
Title |
---|
GraphGan:Graph Representation Learning with Generative Adversarial Nets;Hongwei Wang;《arXiv》;20171122;第1-8页 * |
Relevance-Aware Anomalous Users Detection in Social Network via Graph Neural Network;Yangyang Li;《arXiv》;20210424;第1-8页 * |
社交网络异常用户识别技术综述;仲丽君;《万方数据知识服务平台》;20180828;第13-23页 * |
社交网络机器账号检测综述;李阳阳,曹银浩,杨英光;《中国电子科学研究学报》;20210331;第209-219页 * |
面向图的异常检测研究综述;李忠;《软件学报》;20200727;第167-193页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113343123A (zh) | 2021-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113554089B (zh) | 一种图像分类对抗样本防御方法、系统及数据处理终端 | |
CN110070141B (zh) | 一种网络入侵检测方法 | |
CN106897738B (zh) | 一种基于半监督学习的行人检测方法 | |
CN110348437B (zh) | 一种基于弱监督学习与遮挡感知的目标检测方法 | |
CN111612038B (zh) | 异常用户检测方法及装置、存储介质、电子设备 | |
CN113343123B (zh) | 一种生成对抗多关系图网络的训练方法和检测方法 | |
CN113283909B (zh) | 一种基于深度学习的以太坊钓鱼账户检测方法 | |
CN111612041A (zh) | 异常用户识别方法及装置、存储介质、电子设备 | |
US11410327B2 (en) | Location determination apparatus, location determination method and computer program | |
CN113269228B (zh) | 一种图网络分类模型的训练方法、装置、系统及电子设备 | |
CN110348516B (zh) | 数据处理方法、装置、存储介质及电子设备 | |
CN103136540B (zh) | 一种基于隐结构推理的行为识别方法 | |
CN117172875A (zh) | 欺诈检测方法、装置、设备及存储介质 | |
Aziz et al. | Cluster Analysis-Based Approach Features Selection on Machine Learning for Detecting Intrusion. | |
CN115063664A (zh) | 用于工业视觉检测的模型学习方法、训练方法及系统 | |
Stracuzzi et al. | Quantifying Uncertainty to Improve Decision Making in Machine Learning. | |
CN114897085A (zh) | 一种基于封闭子图链路预测的聚类方法及计算机设备 | |
Sheng et al. | Network traffic anomaly detection method based on chaotic neural network | |
Murkute et al. | Credit Card Fraud Detection Using Machine Learning Techniques | |
CN113408564A (zh) | 图处理方法、网络训练方法、装置、设备以及存储介质 | |
CN113990397B (zh) | 基于有监督学习检测蛋白质复合物的方法及装置 | |
CN112597699B (zh) | 一种融入客观赋权法的社交网络谣言源识别方法 | |
Zhao et al. | Hypergraph learning with cost interval optimization | |
CN115620083A (zh) | 模型训练方法、人脸图像质量评价方法、设备及介质 | |
CN113469816A (zh) | 基于多组学技术的数字货币识别方法、系统和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |