CN113361055B - 扩展社交网络中的隐私处理方法、装置、电子设备和存储介质 - Google Patents
扩展社交网络中的隐私处理方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113361055B CN113361055B CN202110751398.2A CN202110751398A CN113361055B CN 113361055 B CN113361055 B CN 113361055B CN 202110751398 A CN202110751398 A CN 202110751398A CN 113361055 B CN113361055 B CN 113361055B
- Authority
- CN
- China
- Prior art keywords
- social network
- network
- candidate
- community
- candidate social
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 8
- 238000003672 processing method Methods 0.000 title abstract description 8
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000004891 communication Methods 0.000 claims description 43
- 230000006870 function Effects 0.000 claims description 33
- 238000004590 computer program Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 description 26
- 238000012545 processing Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 10
- 230000009467 reduction Effects 0.000 description 10
- 238000002922 simulated annealing Methods 0.000 description 9
- 238000005457 optimization Methods 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 7
- 230000002068 genetic effect Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 108090000623 proteins and genes Proteins 0.000 description 5
- 230000007423 decrease Effects 0.000 description 4
- 238000012217 deletion Methods 0.000 description 3
- 230000037430 deletion Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 235000005156 Brassica carinata Nutrition 0.000 description 2
- 244000257790 Brassica carinata Species 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 241001481833 Coryphaena hippurus Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/02—CAD in a network environment, e.g. collaborative CAD or distributed simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Mathematical Physics (AREA)
- Primary Health Care (AREA)
- Physiology (AREA)
- Biomedical Technology (AREA)
- Genetics & Genomics (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
Abstract
本申请提出一种扩展社交网络中的隐私处理方法、装置、电子设备和存储介质,其中,该方法:先获取到待扩展的社交网络和待加入到该社交网络中的第一社团网络,然后选择出社交网络中关注度信息超过预设关注度阈值的第一用户节点,并根据社交网络和第一社团网络形成的多个候选社交网络,以确定出目标函数的取值最大的候选社交网络作为扩展后的目标社交网络,由此,对社交网络和第一社团网络形成的多个候选社交网络中用户节点之间的连接边进行调整,并从多个候选社交网络中选择出安全性好的候选网络作为扩展后的目标社交网络,实现了对扩展社交网络所用的第一社团网络的隐私的保护。
Description
技术领域
本申请涉及信息技术领域,尤其涉及一种扩展社交网络中的隐私处理方法、装置、电子设备和存储介质。
背景技术
相关技术中,通常采用社团检测算法对网络中的用户进行聚类,以得到网络的社团检测结果,并基于社团检测结果推荐用户感兴趣的团体和更好地管理用户。
在对网络进行扩展的过程中,如果直接基于一个团体网络对该网络进行扩展,基于社团检测算法可快速确定出扩展该网络的团体网络情况,这样造成团体网络中的用户信息被泄露。因此,在扩展网络的过程中如何避免社团网络中的用户信息隐私安全是目前亟需解决的技术问题。
发明内容
本申请涉及信息技术领域,尤其涉及一种扩展社交网络中的隐私处理方法、装置、电子设备和存储介质。
本申请一方面实施例提出了一种扩展社交网络中的隐私处理方法,所述方法包括:获取待扩展的社交网络,并获取待加入到所述社交网络的第一社团网络;根据所述社交网络中各个用户节点的关注度信息,选择出关注度信息超过预设关注度阈值的第一用户节点;根据所述社交网络和所述第一社团网络形成多个候选社交网络,其中,所述候选社交网络中的第二社团网络的第二用户节点与所述第一用户节点之间具有至少一个连接边;所述第二社团网络是通过将所述第一社团网络中的用户节点之间减少至少一个连接边而得到的,并且所述第二社团网络中的用户节点之间是连通的;针对每个候选社交网络,根据所述候选社交网络,确定所述候选社交网络中第一社团网络的目标函数的取值;从多个候选社交网络中,选择出使所述目标函数的取值最大的候选社交网络作为扩展后的目标社交网络。
本申请的一个实施例中,所述根据所述候选社交网络,确定所述候选社交网络中第一社团网络的目标函数的取值,包括:获取所述候选社交网络的社交网络与第一社团网络之间的目标连接边;根据所述目标连接边、所述候选社交网络的社交网络以及所述候选社交网络的第一社团网络,确定所述候选社交网络的第一社团网络的外部安全性指标;确定所述候选社交网络的第一社团网络的内部安全性指标;确定所述候选社交网络的第一社团网络的沟通便捷度;根据所述外部安全性指标、所述外部安全性指标和所述沟通便捷度,确定所述候选社交网络中第一社团网络的目标函数的取值。
本申请的一个实施例中,所述根据所述目标连接边、所述候选社交网络的社交网络以及所述候选社交网络的第一社团网络,确定所述候选社交网络的第一社团网络的外部安全性指标,包括:获取所述目标连接边在所述候选社交网络的社交网络中的第三用户节点;获取所述目标连接边在所述候选社交网络的第一社团网络中的第四用户节点;确定所述候选社交网络的社交网络对所述第三用节点的第一吸引力信息;确定所述候选社交网络的第一社团网络对所述第四用户节点的第二吸引力信息;根据所述第一吸引力信息和所述第二吸引力信息,确定所述候选社交网络中第一社团网络的外部安全性指标。
本申请的一个实施例中,所述确定所述候选社交网络的第一社团网络的内部安全性指标,包括:获取所述候选社交网络的第一社团网络中的各个用户节点;确定所述候选社交网络的第一社团网络对各个用户节点的吸引力值;根据所述候选社交网络的第一社团网络对各个用户节点的吸引力值,确定所述候选社交网络的第一社团网络的内部安全性指标。
本申请的一个实施例中,所述确定所述候选社交网络的第一社团网络的沟通便捷度,包括:根据所述候选社交网络的第一社团网络,确定所述候选社交网络的第一社团网络中两两用户节点之间的最短路径的长度;根据所述候选社交网络的第一社团网络中两两用户节点之间的最短路径的长度,确定所述候选社交网络的第一社团网络的沟通便捷度。
本申请的一个实施例中,所述确定所述候选社交网络的第一社团网络对各个用户节点的吸引力值,包括:针对每个用户节点,根据所述用户节点到所述候选社交网络的第一社团网络中其他用户节点的最短路径的长度;根据所述用户节点到其他用户节点的最短路径的长度和基本权重,确定所述候选社交网络的第一社团网络对所述用户节点的吸引力值。
本申请提出一种扩展社交网络中的隐私处理方法,先获取到待扩展的社交网络和待加入到该社交网络中的第一社团网络,然后选择出社交网络中关注度信息超过预设关注度阈值的第一用户节点,并根据社交网络和第一社团网络形成的多个候选社交网络,以确定出目标函数的取值最大的候选社交网络作为扩展后的目标社交网络,由此,对社交网络和第一社团网络形成的多个候选社交网络中用户节点之间的连接边进行调整,并从多个候选社交网络中选择出安全性好的候选网络作为扩展后的目标社交网络,实现了对扩展社交网络所用的第一社团网络的隐私的保护。
本申请另一方面实施例提出了一种扩展社交网络中的隐私处理装置,所述装置包括:获取模块,用于获取待扩展的社交网络,并获取待加入到所述社交网络的第一社团网络;第一选择模块,用于根据所述社交网络中各个用户节点的关注度信息,选择出关注度信息超过预设关注度阈值的第一用户节点;调整模块,用于根据所述社交网络和所述第一社团网络形成多个候选社交网络,其中,所述候选社交网络中的第二社团网络的第二用户节点与所述第一用户节点之间具有至少一个连接边;所述第二社团网络是通过将所述第一社团网络中的用户节点之间减少至少一个连接边而得到的,并且所述第二社团网络中的用户节点之间是连通的;确定模块,用于针对每个候选社交网络,根据所述候选社交网络,确定所述候选社交网络中第一社团网络的目标函数的取值;第二选择模块,用于从多个候选社交网络中,选择出使所述目标函数的取值最大的候选社交网络作为扩展后的目标社交网络。
本申请的一个实施例中,所述确定模块,包括:获取子模块,用于获取所述候选社交网络的社交网络与第一社团网络之间的目标连接边;第一确定子模块,用于根据所述目标连接边、所述候选社交网络的社交网络以及所述候选社交网络的第一社团网络,确定所述候选社交网络的第一社团网络的外部安全性指标;第二确定子模块,用于确定所述候选社交网络的第一社团网络的内部安全性指标;第三确定子模块,用于确定所述候选社交网络的第一社团网络的沟通便捷度;第四确定子模块,用于根据所述外部安全性指标、所述外部安全性指标和所述沟通便捷度,确定所述候选社交网络中第一社团网络的目标函数的取值。
本申请的一个实施例中,所述第一确定子模块,包括:第一获取单元,用于获取所述目标连接边在所述候选社交网络的社交网络中的第三用户节点;第二获取单元,用于获取所述目标连接边在所述候选社交网络的第一社团网络中的第四用户节点;第一确定单元,用于确定所述候选社交网络的社交网络对所述第三用节点的第一吸引力信息;第二确定单元,用于确定所述候选社交网络的第一社团网络对所述第四用户节点的第二吸引力信息;第三确定单元,用于根据所述第一吸引力信息和所述第二吸引力信息,确定所述候选社交网络中第一社团网络的外部安全性指标。
本申请的一个实施例中,所述第二确定子模块,包括:第三获取单元,用于获取所述候选社交网络的第一社团网络中的各个用户节点;第四确定单元,用于确定所述候选社交网络的第一社团网络对各个用户节点的吸引力值;第五确定单元,用于根据所述候选社交网络的第一社团网络对各个用户节点的吸引力值,确定所述候选社交网络的第一社团网络的内部安全性指标。
本申请的一个实施例中,所述第三确定子模块,具体用于:根据所述候选社交网络的第一社团网络,确定所述候选社交网络的第一社团网络中两两用户节点之间的最短路径的长度;根据所述候选社交网络的第一社团网络中两两用户节点之间的最短路径的长度,确定所述候选社交网络的第一社团网络的沟通便捷度。
本申请的一个实施例中,所述第四确定单元,具体用于:针对每个用户节点,根据所述用户节点到所述候选社交网络的第一社团网络中其他用户节点的最短路径的长度;根据所述用户节点到其他用户节点的最短路径的长度和基本权重,确定所述候选社交网络的第一社团网络对所述用户节点的吸引力值。
本申请提出一种扩展社交网络中的隐私处理装置,先获取到待扩展的社交网络和待加入到该社交网络中的第一社团网络,然后选择出社交网络中关注度信息超过预设关注度阈值的第一用户节点,并根据社交网络和第一社团网络形成的多个候选社交网络,以确定出目标函数的取值最大的候选社交网络作为扩展后的目标社交网络,由此,对社交网络和第一社团网络形成的多个候选社交网络中用户节点之间的连接边进行调整,并从多个候选社交网络中选择出安全性好的候选网络作为扩展后的目标社交网络,实现了对扩展社交网络所用的第一社团网络的隐私的保护。
本申请另一方面实施例提出了一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现扩展社交网络中的隐私处理方法。
本申请另一方面实施例提出了一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现扩展社交网络中的隐私处理方法。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
图1是本申请实施例所提供的一种扩展社交网络中的隐私处理方法的流程示意图。
图2是本申请实施例所提供的边的秩、边的权重和图对点的吸引力示意图。
图3是本申请实施例所提供的另一种扩展社交网络中的隐私处理方法的流程示意图。
图4是本申请实施例所提供的不同的数据集对抗不同的社团检测算法的隐藏效果对比示意图。
图5是本申请实施例所提供的不同模型参数的对比示意图。
图6是本申请实施例的一个扩展社交网络中的隐私处理装置的结构示意图。
图7是本申请实施例的另一个扩展社交网络中的隐私处理装置的结构示意图。
图8是根据本申请一个实施例的电子设备的框图。
具体实施方式
下面详细描述本申请的实施例,实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的扩展社交网络中的隐私处理方法、装置和电子设备。
图1是本申请实施例所提供的一种扩展社交网络中的隐私处理方法的流程示意图。其中,需要说明的是,本实施例提供的扩展社交网络中的隐私处理方法的执行主体为扩展社交网络中的隐私处理装置,该扩展社交网络中的隐私处理装置可以由软件和/或硬件的方式实现,该实施例中的扩展社交网络中的隐私处理装置可以配置电子设备中,本实施例中的电子设备可以包括服务器等,该实施例对电子设备不作具体限定。
如图1所示,该扩展社交网络中的隐私处理方法可以包括:
步骤101,获取待扩展的社交网络,并获取待加入到社交网络的第一社团网络。
在一些实施例中,第一社团网络只有自己内部的网络信息,第一社团网络不属于社交网络。
在本申请一些实施例中,本实施例的社交网络以及第一社团网络,可以采用简单无向无环图进行表示。例如,用简单无向无环图G(V,E)表示社交网络,其中V={v1,v2,...,vn}代表用户节点的集合,E={e1,e2,...,em}代表边的集合,u∈V,v∈V,代表从用户节点u到用户节点v存在一条边,即用户节点u与用户节点v之间是连通的。
可以理解的是,网络中存在有边的秩(Order of edge)、边的权重(Weight ofedge)以及网络对点的吸引力(Attraction Score),如图2所示。
其中,边的秩指的是对于顶点u和边e,该边的秩定义为以u为起点到达e的最短路径的长度,记为如图2(a)所示。
边的权重指的是每条边对应某顶点u,具有响应的权重,定义为其秩与基本权重的乘积,记为即/>ω∈[0,1]其中,w表示基本权重,如图2(b)所示。
网络对点的吸引力指的是对于点u,其所在的网络G对其拥有一定的吸引力,定义为如图2(c)所示。
步骤102,根据社交网络中各个用户节点的关注度信息,选择出关注度信息超过预设关注度阈值的第一用户节点。
在一些实施例中,例如在微博社交网络中,一个用户就是一个节点,该用户的粉丝数就可以认为是该节点的关注度。具体地,可从微博社交网络中获取粉丝数超过预设粉丝数量的用户节点,并将所获取到的用户节点作为第一用户节点。
在一些实施例中,预设的关注度阈值可以是预先是设置好的,也可以是默认的,该实施例对此不做具体限定。
步骤103,根据社交网络和第一社团网络形成多个候选社交网络,其中,候选社交网络中的第二社团网络的第二用户节点与第一用户节点之间具有至少一个连接边;第二社团网络是通过将第一社团网络中的用户节点之间减少至少一个连接边而得到的,并且第二社团网络中的用户节点之间是连通的。
在一些实施例中,网络中顶点成员不能随意删除或增加,所以只能通过对边的操作达到调整第一社团网络的目的。同时,删除第一社团网络Gh和社交网络Gt之间的边也是没有必要的,因为刚开始时Gh和Gt之间是不存在边的。所以,至此我们只剩下三种更新操作:增加Gh的边、删除Gh的边和增加Gh和Gt之间的边,因此,在对第一社团网络中用户节点之间的连接边进行调整中,给出以下三个定理:
外部加边定理:在第一社团网络Gh和社交网络Gt之间添加一条连接的边,一定会使S2增加,并且对S1和Gt没有影响。
为了确保外部加边定理的准确性,进行了如下证明:
假设增加一条边e=(u,v),其中u∈Vh,v∈Vt,则ε2的增量又因吸引力a>0,则ΔS2>0,即S2必然增加,S1和Gh的定义并未涉及到两个网络之间的边/>所以该操作并不会对二者产生影响。
内部删边定理:在第一社团网络Gh中删除一条已存在的边,一定会使s1增大且Ch减小。
为了确保内部删边定理的准确性,进行了如下证明:
假设删除一条边e=(u,v),其中u,v∈Vh。因为Gh是一个简单无向无环图,所以u和v两点之间的距离将会增大,进而导致网络成员之间的平均沟通成本Ch减小,删边也会导致某些边的秩增大,从而导致平均吸引力a的减小,最终反映在S的增大上,即网络会变得更加凝聚,更易被检测成为一个团体。
内部加边定理:在第一社团网络Gh中增加一条不存在的边,一定会使S1减小且Ch增大。
为了确保内部加边定理的准确性,进行了如下证明:
假设加一条边e=(u,v),其中u,v∈Vh。因为Gh是一个简单无向无环图,所以u和v两点之间的距离将会减小,进而导致网络成员之间的平均沟通成本Ch增大。加边也会导致某些边的秩减小,从而导致平均吸引力a的增大,最终反映在S的减小上,即网络会变得更加疏远,更不易被检测成为一个团体。
可以理解的是,在外部加边定理中,因为社交网络Gt的拓扑结构是未知的,所以吸引力a的精确值无法计算,故近似使用点v的度(Degree)替代Gt的整体结构。而Gt中点的度的信息是可以获得的,例如在微博社交网络中,一个用户就是一个点,该用户的粉丝数就可以认为是该点的度。先找出Gt中度数较高的点,记为热点(Hot spot),例如微博社交网络中粉丝数较多的明星等,然后将其优先与Gh进行连边,因为热点周围往往更容易被社团检测算法识别为一个整体。当然,并不需要知道Gt网络中所有的热点,仅需要得到哪些相对较高的点就够了。
在内部删边定理中,删除第一社团网络Gh中的一条已存在的边,确实会增加其内部安全性S1,但同时也会降低其内部成员之间沟通的便捷程度。考虑到某些网络中成员的合作密切,删边的行为会给其相互沟通带来较大影响,而存在某些网络对删边则不敏感,所以添加了一个平衡参数λ∈[0,∞],即λ*Ch,用于满足不同的需求。此外,Gh本身就是一个连通图,成员之间可以相互到达,所以删边的操作必须在优先保证其连通性的前提下进行。
其中,平衡参数λ可以是根据社团中用户的需求选择相应的参数。
在内部加边定理中,尽管给第一社团网络Gh加边会使得其内部成员之间沟通更加方便,但是这是没有必要的,因为在实际情况中Gh已经形成了一定的连接关系去相互沟通,认为这就是最好的,并不需要再添加额外的边。此外,该操作还使得其内部安全性S1降低。所以,给Gh加边的操作是冗余的,并不需要考虑。
综上,只有两种调整操作分别是给第一社团网络Gh和社交网络Gt加边,记为E+以及给第一社团网络Gh减边,记为E-,同时保证Gh减边之后仍是连通的。
可以理解的是,对社交网络和第一社团网络形成的多个候选社交网络中用户节点之间的连接边进行调整,可以是对第一社团网络和社交网络加边,也可以是给第一社团网络减边,并且保证调整后的第二社团网络中用户节点之间是连通的。其中,第二社团网络是通过将第一社团网络中的用户节点之间减少至少一个连接边而得到的。
步骤104,针对每个候选社交网络,根据候选社交网络,确定候选社交网络中第一社团网络的目标函数的取值。
在本申请一些实施例中,根据候选社交网络的社交网络与第一社团网络之间的目标连接边,以及候选社交网络的社交网络以及候选社交网络的第一社团网络,确定在候选社交网络的第一社团网络的外部安全性指标(第一社团网络的外部安全性),再结合候选社交网络的第一社团网络的内部安全性指标(第一社团网络的内部安全性)、沟通便捷度(网络的便捷性),从而确定出候选社交网络中第一社团网络的目标函数的取值。
其中,网络的便捷性,(Convenience of network)网络成员之间需要沟通,网络的便捷性C则反映了成员之间的沟通成本,定义为其中/>其中dist(u,v)为两点之间最短路径的长度,代表着两点之间沟通的成本。
第一社团网络的内部安全性,(Safeness inside Gh)对于社团检测算法,需隐藏的网络自身拥有一定的安全性S1,定义为
第一社团网络的外部安全性,(Safeness outside Gh)对于社团检测算法,需隐藏的网络若与社交网络有边相连,则其具有一定的外部安全性,定义为其中/>是第一社团网络Gh与社交网络Gt之间相连的边的集合,且u∈Vh,v∈Vt。
步骤105,从多个候选社交网络中,选择出使目标函数的取值最大的候选社交网络作为扩展后的目标社交网络。
本申请提出一种扩展社交网络中的隐私处理方法,先获取到待扩展的社交网络和待加入到该社交网络中的第一社团网络,然后选择出社交网络中关注度信息超过预设关注度阈值的第一用户节点,并根据社交网络和第一社团网络形成的多个候选社交网络,以确定出目标函数的取值最大的候选社交网络作为扩展后的目标社交网络,由此,对社交网络和第一社团网络形成的多个候选社交网络中用户节点之间的连接边进行调整,并从多个候选社交网络中选择出安全性好的候选网络作为扩展后的目标社交网络,实现了对扩展社交网络所用的第一社团网络的隐私的保护。
图3是本申请实施例所提供的另一种扩展社交网络中的隐私处理方法的流程示意图。
如图3所示,该方法可以包括:
步骤301,获取待扩展的社交网络,并获取待加入到社交网络的第一社团网络。
步骤302,根据社交网络中各个用户节点的关注度信息,选择出关注度信息超过预设关注度阈值的第一用户节点。
步骤303,根据社交网络和第一社团网络形成多个候选社交网络,其中,候选社交网络中的第二社团网络的第二用户节点与第一用户节点之间具有至少一个连接边;第二社团网络是通过将第一社团网络中的用户节点之间减少至少一个连接边而得到的,并且第二社团网络中的用户节点之间是连通的。
在一些实施例中,在不同应用场景中,上述根据社交网络和第一社团网络形成多个候选社交网络的实现方式不同,示例性说明如下:
在一些实施例中,对社交网络和第一社团网络形成的多个候选社交网络中用户节点之间的连接边进行调整的一种实施方式为:对第一社团网络的连接边进行减边操作,以得到第二社团网络,其中,第二社团网络比上述第一社团网络中的用户节点之间少至少一个连接边,且第二社团网络中用户节点之间是连通的。并根据第二社团网络对社交网络进行多次扩展,以得到多个不同的候选社交网络,其中,候选社交网络是通过将第二社团网络中的第二用户节点与第一用户节点之间建立至少一个连接边而得到的。
在另一些实施例中,对社交网络和第一社团网络形成的多个候选社交网络中用户节点之间的连接边进行调整的一种实施方式为:对第一社团网络和社交网络进行加边操作,以得到扩展后的多个不同的社交网络;针对扩展后的每个社交网络,可对该扩展后的社交网络中的第一社团网络进行减边处理,以得到对应的候选社交网络。其中,候选社交网络中的第二社团网络是对扩展后的社交网络的第一社团网络进行减边处理而得到的,其中,第二社团网络比第一社团网络中的用户节点之间少至少一个连接边,且第二社团网络中用户节点之间是连通的。
步骤304,获取候选社交网络的社交网络与第一社团网络之间的目标连接边。
在一些实施例中,每个候选社交网络的社交网络与第一社团网络之间至少建立一个目标连接边。
步骤305,根据目标连接边、候选社交网络的社交网络以及候选社交网络的第一社团网络,确定候选社交网络的第一社团网络的外部安全性指标。
在申请的一些实施例中,为了准确确定候选社交网络的第一社团网络的外部安全性指标,上述根据目标连接边、候选社交网络的社交网络以及候选社交网络的第一社团网络,确定候选社交网络的第一社团网络的外部安全性指标的一种可能实现方式为:获取目标连接边在候选社交网络的社交网络中的第三用户节点,获取目标连接边在候选社交网络的第一社团网络中的第四用户节点,并确定候选社交网络的社交网络对第三用节点的第一吸引力信息,以及确定候选社交网络的第一社团网络对第四用户节点的第二吸引力信息,最后根据第一吸引力信息和第二吸引力信息,确定出候选社交网络中第一社团网络的外部安全性指标。
步骤306,确定候选社交网络的第一社团网络的内部安全性指标。
在一些实施例中,上述确定候选社交网络的第一社团网络的内部安全性指标的一种示例性的实施方式为:获取候选社交网络的第一社团网络中的各个用户节点,确定候选社交网络的第一社团网络对各个用户节点的吸引力值,最后根据候选社交网络的第一社团网络对各个用户节点的吸引力值,确定出候选社交网络的第一社团网络的内部安全性指标。
在一些实施例中,为准确确定候选社交网络的第一社团网络对各个用户节点的吸引力值,针对每个用户节点,根据每个用户节点到候选社交网络的第一社团网络中其他用户节点的最短路径的长度,以及每个用户节点到其他用户节点的最短路径的长度和基本权重,确定候选社交网络的第一社团网络对用户节点的吸引力值。
其中,上述基本权重是在该扩展社交网络中的隐私处理装置中预先设置的。
步骤307,确定候选社交网络的第一社团网络的沟通便捷度。
在一些实施例中,上述确定候选社交网络的第一社团网络的沟通便捷度的一种可能的实现方式为:根据候选社交网络的第一社团网络,确定候选社交网络的第一社团网络中两两用户节点之间的最短路径的长度,根据候选社交网络的第一社团网络中两两用户节点之间的最短路径的长度,确定候选社交网络的第一社团网络的沟通便捷度。
步骤308,根据外部安全性指标、外部安全性指标和沟通便捷度,确定候选社交网络中第一社团网络的目标函数的取值。
步骤309,从多个候选社交网络中,选择出使目标函数的取值最大的候选社交网络作为扩展后的目标社交网络。
本申请提出一种扩展社交网络中的隐私处理方法,先获取到待扩展的社交网络和待加入到该社交网络中的第一社团网络,然后选择出社交网络中关注度信息超过预设关注度阈值的第一用户节点,根据社交网络和第一社团网络形成的多个候选社交网络,获取候选社交网络的社交网络与第一社团网络之间的目标连接边,以及候选社交网络的社交网络以及候选社交网络的第一社团网络,确定候选社交网络的第一社团网络的外部安全性指标,再确认候选社交网络的第一社团网络的内部安全性指标和沟通便捷度,从而确定出候选社交网络中第一社团网络的目标函数的取值,以得到目标函数的取值最大的候选社交网络作为扩展后的目标社交网络,由此,对社交网络和第一社团网络形成的多个候选社交网络中用户节点之间的连接边进行调整,并从多个候选社交网络中选择出安全性好的候选网络作为扩展后的目标社交网络,实现了对扩展社交网络所用的第一社团网络的隐私的保护。
基于上述实施例,找到最佳的更新操作集合{E+∪E-},使得第一社团网络Gh加入社交网络Gt,同时社团检测算法不易将Gh识别为一个整体,从而满足了Gh隐藏于社团检测之下的需求,保护了其隐私。
其中,上述E+表示第一社团网络Gh和社交网络Gt加边,上述E-表示第一社团网络Gh减边。
可将对抗社团检测的隐私保护问题建模为以下优化问题:
对于第一社团网络Gh和社交网络Gt,给定基础权重ω,更新操作预算β(1,∞),便捷性平衡参数λ,定义σ=S1+S1+λ*Ch,λ≥0,求解如下问题:
max,s.t.|E+|+|E-|≤β,|E+|≥1
其中,|E+|≥1是为了保证Gh和Gt两个网络最终一定会连通,因为Gh的目标就是为了加入Gt网络。同时,必须保证在E-更新操作后,Gh仍然是连通的,即Gh的连通性不能因为被更新操作破坏。
当λ=0时,意味着并不关心成员之间的沟通成本;当λ→∞时,网络中任何一条边的删除都会造成σ的无限下降,最终的平衡的结果就是没有边会被删除,只会存在加边操作。
其中σ指的是上述目标函数,该目标函数的取值是基于第一社团网络的内部安全性指标、外部安全性指标以及第一社团网络的沟通便捷度而确定出的。
可以理解的是,针对此模型,如果问题是一个组合爆炸问题,其最优解并不能在有限的时间内找到,所以,提出了一种基于模拟退火的搜索算法(Multi-simulatedAnnealing,MSA),以用来在一定时间内在搜索空间中找到近似的最优解。模拟退火是一种概率技术,可以在庞大的搜索空间中使用启发式的当时逼近给定函数的最优解,具体描述如下:
首先找到社交网络Gt的热点集合Vt hot,E+操作只能在Vt hot和Vh选择点进行相连。然后设置一个长度为β的更新序列(序列是一组操作的集合),看作是β维的超点,并将σ作为优化目标,使用模拟退火算法进行搜索,以得到σ值最大时所对应的多个更新操作。
其中,更新操作可以包括加边操作和对第一社团网络减边操作。
对于多个更新操作中的每个更新操作,根据该更新操作,对第一社团网络和社交网络进行处理,以生成对应的候选社交网络。
在一些实施例中,可根据该更新操作中的对第一社团网络的减边操作,对第一社团网络进行减边操作,以得到第二社团网络,根据该更新操作中的加边操作,为第二社团网和社交网络进行加边处理,以得到对应的候选社交网络。
在另一些实施例中,可根据该更新操作中的加边操作,对第一社团网络和社交网络进行加边处理,以得到扩展后的社交网络;根据该更新操作中的减边操作,对扩展后的社交网络中的第一社团网络进行减边处理,以得到对应的候选社交网络。
另外,为了可对该实施例基于模拟退火算法所扩展的社交网络的隐藏结果进行验证,可基于如下的社交网络、第一社团网络和社团检测算法进行验证:
社交网络Gt准备。六个真实的数据集,分别为:1.Karate club网络,含34个顶点和78条边;2.Dolphin网络,包含62个顶点和159条边;3.LesMis actors网络,包含77个顶点和254条边;4.Politics books网络,包含105个顶点和441条边;5.Football games网络,包含115个顶点和613条边;6.Facebook社交网络,含4,039个顶点和88,234条边。
第一社团网络Gh准备。生成4种图作为第一社团网络的拓扑结构,分别是:1.树状图(Tree),对于任意两点有且仅有一条路径;2.完全图(Complete Graph),任意两点之间都有一条边相连;3.BA图(Barabasi Albert Graph),依概率生成的无标度网络;4.子图(Subgraph),对于网络G,在社团检测算法的聚类结果中,选择一个并切断与其它点的连边,将该子图作为Gh,剩下的网络作为Gt。
其中,Barabasi Albert Graph是一种使用优先连接机制而生成的随机无标度网络。
社团检测算法。可采用两种著名的社团检测算法进行实验,分别是分层检测算法(Leading Eigenvectors,EIG)和标签传播算法(Label Propagation,LAB)。
其中,社团检测:将网络按照一定标准分为不同点集的一种技术,可用于深度分析网络的结构。其中,Leading Eigenvectors(EIG)是一种基于模块度的自顶向下的分层检测算法,通过计算模块化矩阵的最大正特征值的特征向量,然后根据特征向量中相应元素的符号将顶点划分为两个群体;Label Propagation(LAB)的主要思想是首先为每个顶点分配一个标签,并在信息传播过程中将其更新为邻域中最频繁的标签,当没有顶点更改其标签时终止算法。
可以理解的是,为了对验证模拟退火算法的隐藏效果,还可以将三种其它算法用于和模拟退火算法进行对比,描述如下:
1、随机搜索(Random Search,RS):在保证有效性的前提下,随机生成β个更新操作作为结果。
2、贪心搜索(Greedy Search,GS):以σ为优化目标,找出每一步增益最大的更新操作,直至β用完。
3、遗传算法(Genetic Algorithm,GA):以定长更新操作为基因(Gene),并以σ为适应函数,通过遗传算法迭代得到更好的基因。
其中,遗传算法是一种模拟自然现象的智能优化技术,其主要思想是将一组更新作为基因,然后按适应函数通过不断迭代得到更好的基因,可用于搜索近似最优解。
在本实施例中,目标是混淆社团检测算法,使其无法将有隐藏需求的网络Gh识别为一个整体,也就是说,Gh中的成员应尽量分散在算法检测出的不同的社团内。从这个想法出发,提出以下评价指标,用于衡量的模型和算法是否达到了目的。
令G为进行更新操作后的Gh和Gt形成的一个大网络,对G应用社团检测算法,其中C={c1,c2,...,ck}为检测结果,即检测算法将G分为了k个社团,则定义隐藏指数H如下:
/>
其中,|ai|指的是ci中包含的Gh成员的个数。H值越高,则Gh隐藏得越好。
隐藏指数H很好的捕捉了Gh成员的分散性特征。|ai|/|Vh|很好地捕捉到了Gh成员要尽量分散在更多的社团中的特性,越分散则该值越小。|ai|/|ci|表明Gh成员应尽量加入一个大的社团并隐藏其中,即|ci|越大该值越小。
分析三种极端情况:1.若Gh中每个成员都分别分散在一个社团内,并且该社团足够得大,则H~1,这是最理想得情况;2.若Gh中所有成员都被检测在了一个社团内,且该社团内并无Gt成员,则H~0,这也是最糟糕的情况。3.若Gh中每个成员都分别被检测成为一个社团,即该社团内有且仅有该成员,这时认为隐藏得很差,因为的目标是隐藏在Gt中,而此时并没有Gt成员的参与。
其中,H的计算是建立在社团检测结果之上的,则就需要知道社交网络Gt的拓扑结构,这也是没有使用H作为优化目标的原因。
基于上述实验准备,可以得到不同网络拓扑、不同参数以及耗时对比对本实验的影响效果。如下:
其中,分别将6个实际数据集作为社交网络Gt,并将4种图模型作为第一社团网络Gh,同时使用EIG和LAB两种社团检测算法进行检测,最终得到不同的数据集对抗不同的社团检测算法的隐藏效果对比,如图4所示,其中隐藏指数参数取Vh=4,β=4,λ=0,ω=0。
基于图4所示的结果,可以看出,在大多数情况下,算法MSA都是优于其它算法的。
基于上述实验,还对比了一些重要参数在不同取值下的情况,主要有三个参数:1.更新操作预算β,该参数决定了可以执行的更新操作个数,可以对结果产生直接影响;2.便捷性平衡参数λ,该参数定义了对网络沟通便捷性的关注程度,可以间接影响到算法是偏向于选择加边操作还是删边操作;3.基础权重ω,该参数是优化目标中的一个重要参数。
基于三种参数对本实验的影响,得到了不同模型参数的对比图,如图5所示。
从图5中可以得到,如图5(a)所示,更多的预算意味着可以采取更多的更新操作以获得更好的隐藏效果,这是显然的。如图5(b)所示,随着λ参数的增大,模型更倾向于选择加边操作,删边操作明显减少,这也是所预期的。删的边越少,Gh的网络拓扑得变动就越小,其成员之间的沟通也就越方便。如图5(c)所示,ω越大,Gh边的秩也就越大,越能对吸引力a做出贡献。在极端情况下,若ω=1,则所有的边都会拥有相同的权重,Gh对所有点的吸引力a也会完全一致,这会导致所有的更新操作变成了随机选择,因为此时模型的选择已经失去了作用。
基于上述实验,固定相关参数,具体是:Karate club网络的子图作为Gh,其余作为Gt,取基础权重ω=0.5和便捷性平衡参数λ=0。然后将的模型算法MSA与其它算法在运行时间上进行对比,其结果如下表1所示:
表1:不同预算下的运行时间(单位:秒)
从上表中可以看出,模拟退火算法MSA具有稳定的时间消耗,但遗传算法GA因其需要消耗大量时间进行初始化种群,且随预算的增加而急剧增大。同时,暴力枚举算法BF的时间是呈指数式增长的,这也是不能接受的。
综上所述,本实验不仅同时考虑团体的安全性和沟通便捷性,对某团体加入某网络时,对抗社团检测算法的隐私保护问题进行了数学建模,成功将其建模为一个定义明确而有效的优化问题,而且对建模后的优化问题,提出了一种基于多点模拟退火的搜索最优解的方法,可在有限时间内找到近似最优解,还为了量化针对社团检测的隐藏程度,提出了隐藏指数H,并进行相应的实验,验证了隐藏指数的准确性。
图6是本申请实施例的一个扩展社交网络中的隐私处理装置的结构示意图。
如图6所示,该扩展社交网络中的隐私处理装置600包括:
获取模块601,用于获取待扩展的社交网络,并获取待加入到社交网络的第一社团网络。
第一选择模块602,用于根据社交网络中各个用户节点的关注度信息,选择出关注度信息超过预设关注度阈值的第一用户节点。
调整模块603,用于根据社交网络和第一社团网络形成多个候选社交网络,其中,候选社交网络中的第二社团网络的第二用户节点与第一用户节点之间具有至少一个连接边;第二社团网络是通过将第一社团网络中的用户节点之间减少至少一个连接边而得到的,并且第二社团网络中的用户节点之间是连通的。
确定模块604,用于针对每个候选社交网络,根据候选社交网络,确定候选社交网络中第一社团网络的目标函数的取值。
第二选择模块605,用于从多个候选社交网络中,选择出使目标函数的取值最大的候选社交网络作为扩展后的目标社交网络。
本申请提出一种扩展社交网络中的隐私处理装置,先获取到待扩展的社交网络和待加入到该社交网络中的第一社团网络,然后选择出社交网络中关注度信息超过预设关注度阈值的第一用户节点,并根据社交网络和第一社团网络形成的多个候选社交网络,以确定出目标函数的取值最大的候选社交网络作为扩展后的目标社交网络,由此,对社交网络和第一社团网络形成的多个候选社交网络中用户节点之间的连接边进行调整,并从多个候选社交网络中选择出安全性好的候选网络作为扩展后的目标社交网络,实现了对扩展社交网络所用的第一社团网络的隐私的保护。
在本申请的一个实施例中,如图7所示,确定模块604,可以包括:
获取子模块6041,用于获取候选社交网络的社交网络与第一社团网络之间的目标连接边。
第一确定子模块6042,用于根据目标连接边、候选社交网络的社交网络以及候选社交网络的第一社团网络,确定候选社交网络的第一社团网络的外部安全性指标。
第二确定子模块6043,用于确定候选社交网络的第一社团网络的内部安全性指标。
第三确定子模块6044,用于确定候选社交网络的第一社团网络的沟通便捷度。
第四确定子模块6045,用于根据外部安全性指标、外部安全性指标和沟通便捷度,确定候选社交网络中第一社团网络的目标函数的取值。
在本申请的一个实施例中,如图7所示,第一确定子模块6042,可以包括:
第一获取单元60421,用于获取目标连接边在候选社交网络的社交网络中的第三用户节点。
第二获取单元60422,用于获取目标连接边在候选社交网络的第一社团网络中的第四用户节点。
第一确定单元60423,用于确定候选社交网络的社交网络对第三用节点的第一吸引力信息。
第二确定单元60424,用于确定候选社交网络的第一社团网络对第四用户节点的第二吸引力信息。
第三确定单元60425,用于根据第一吸引力信息和第二吸引力信息,确定候选社交网络中第一社团网络的外部安全性指标。
在本申请的一个实施例中,如图7所示,第二确定子模块6043,可以包括。
第三获取单元60431,用于获取候选社交网络的第一社团网络中的各个用户节点。
第四确定单元60432,用于确定候选社交网络的第一社团网络对各个用户节点的吸引力值。
第五确定单元60433,用于根据候选社交网络的第一社团网络对各个用户节点的吸引力值,确定候选社交网络的第一社团网络的内部安全性指标。
在本申请的一个实施例中,如图7所示,第三确定子模块6044,具体用于:
根据候选社交网络的第一社团网络,确定候选社交网络的第一社团网络中两两用户节点之间的最短路径的长度。
根据候选社交网络的第一社团网络中两两用户节点之间的最短路径的长度,确定候选社交网络的第一社团网络的沟通便捷度。
在本申请的一个实施例中,如图7所示,第四确定子模块6045,具体用于:
针对每个用户节点,根据用户节点到候选社交网络的第一社团网络中其他用户节点的最短路径的长度。
根据用户节点到其他用户节点的最短路径的长度和基本权重,确定候选社交网络的第一社团网络对用户节点的吸引力值。
本申请提出一种扩展社交网络中的隐私处理装置,先获取到待扩展的社交网络和待加入到该社交网络中的第一社团网络,然后选择出社交网络中关注度信息超过预设关注度阈值的第一用户节点,并对第一社团网络中用户节点之间的连接边进行调整,然后通过对调整后的第一社团网络中的第二用户节点与第一用户节点之间建立至少一个连接边,并进行多次扩展,以得到多个不同的候选社交网络,从而确定出目标函数的取值最大的候选社交网络作为扩展后的目标社交网络,由此,对社交网络和第一社团网络形成的多个候选社交网络中用户节点之间的连接边进行调整,并从多个候选社交网络中选择出安全性好的候选网络作为扩展后的目标社交网络,实现了对扩展社交网络所用的第一社团网络的隐私的保护。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图8所示,是根据本申请一个实施例的电子设备的框图。
如图8所示,该电子设备包括:
存储器801、处理器802及存储在存储器801上并可在处理器802上运行的计算机指令。
处理器802执行指令时实现上述实施例中提供的扩展社交网络中的隐私处理方法。
进一步地,电子设备还包括:
通信接口803,用于存储器801和处理器802之间的通信。
存储器801,用于存放可在处理器802上运行的计算机指令。
存储器801可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
处理器802,用于执行程序时实现上述实施例的扩展社交网络中的隐私处理方法。
如果存储器801、处理器802和通信接口803独立实现,则通信接口803、存储器801和处理器802可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture,简称为ISA)总线、外部设备互连(PeripheralComponent,简称为PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture,简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图8中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
可选的,在具体实现上,如果存储器801、处理器802及通信接口803,集成在一块芯片上实现,则存储器801、处理器802及通信接口803可以通过内部接口完成相互间的通信。
处理器802可能是一个中央处理器(Central Processing Unit,简称为CPU),或者是特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者是被配置成实施本申请实施例的一个或多个集成电路。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种扩展社交网络中的隐私处理方法,其特征在于,所述方法包括:
获取待扩展的社交网络,并获取待加入到所述社交网络的第一社团网络;
根据所述社交网络中各个用户节点的关注度信息,选择出关注度信息超过预设关注度阈值的第一用户节点;
根据所述社交网络和所述第一社团网络形成多个候选社交网络,其中,所述候选社交网络中的第二社团网络的第二用户节点与所述第一用户节点之间具有至少一个连接边;所述第二社团网络是通过将所述第一社团网络中的用户节点之间减少至少一个连接边而得到的,并且所述第二社团网络中的用户节点之间是连通的;
针对每个候选社交网络,获取所述候选社交网络的社交网络与第一社团网络之间的目标连接边;
根据所述目标连接边、所述候选社交网络的社交网络以及所述候选社交网络的第一社团网络,确定所述候选社交网络的第一社团网络的外部安全性指标;
获取所述候选社交网络的第一社团网络中的各个用户节点;
确定所述候选社交网络的第一社团网络对各个用户节点的吸引力值;
根据所述候选社交网络的第一社团网络对各个用户节点的吸引力值,确定所述候选社交网络的第一社团网络的内部安全性指标;
确定所述候选社交网络的第一社团网络的沟通便捷度;
根据所述外部安全性指标、所述内部安全性指标和所述沟通便捷度,确定所述候选社交网络中第一社团网络的目标函数的取值;
从多个候选社交网络中,选择出使所述目标函数的取值最大的候选社交网络作为扩展后的目标社交网络。
2.如权利要求1所述的方法,其特征在于,所述根据所述目标连接边、所述候选社交网络的社交网络以及所述候选社交网络的第一社团网络,确定所述候选社交网络的第一社团网络的外部安全性指标,包括:
获取所述目标连接边在所述候选社交网络的社交网络中的第三用户节点;
获取所述目标连接边在所述候选社交网络的第一社团网络中的第四用户节点;
确定所述候选社交网络的社交网络对所述第三用户节点的第一吸引力信息;
确定所述候选社交网络的第一社团网络对所述第四用户节点的第二吸引力信息;
根据所述第一吸引力信息和所述第二吸引力信息,确定所述候选社交网络中第一社团网络的外部安全性指标。
3.如权利要求1所述的方法,其特征在于,所述确定所述候选社交网络的第一社团网络的沟通便捷度,包括:
根据所述候选社交网络的第一社团网络,确定所述候选社交网络的第一社团网络中两两用户节点之间的最短路径的长度;
根据所述候选社交网络的第一社团网络中两两用户节点之间的最短路径的长度,确定所述候选社交网络的第一社团网络的沟通便捷度。
4.如权利要求1所述的方法,其特征在于,所述确定所述候选社交网络的第一社团网络对各个用户节点的吸引力值,包括:
针对每个用户节点,根据所述用户节点到所述候选社交网络的第一社团网络中其他用户节点的最短路径的长度;
根据所述用户节点到其他用户节点的最短路径的长度和基本权重,确定所述候选社交网络的第一社团网络对所述用户节点的吸引力值。
5.一种扩展社交网络中的隐私处理装置,其特征在于,所述装置包括:
获取模块,用于获取待扩展的社交网络,并获取待加入到所述社交网络的第一社团网络;
第一选择模块,用于根据所述社交网络中各个用户节点的关注度信息,选择出关注度信息超过预设关注度阈值的第一用户节点;
调整模块,用于根据所述社交网络和所述第一社团网络形成多个候选社交网络,其中,所述候选社交网络中的第二社团网络的第二用户节点与所述第一用户节点之间具有至少一个连接边;所述第二社团网络是通过将所述第一社团网络中的用户节点之间减少至少一个连接边而得到的,并且所述第二社团网络中的用户节点之间是连通的;
确定模块,用于针对每个候选社交网络,根据所述候选社交网络,确定所述候选社交网络中第一社团网络的目标函数的取值;
第二选择模块,用于从多个候选社交网络中,选择出使所述目标函数的取值最大的候选社交网络作为扩展后的目标社交网络;
所述确定模块,包括:
获取子模块,用于获取所述候选社交网络的社交网络与第一社团网络之间的目标连接边;
第一确定子模块,用于根据所述目标连接边、所述候选社交网络的社交网络以及所述候选社交网络的第一社团网络,确定所述候选社交网络的第一社团网络的外部安全性指标;
第二确定子模块,用于确定所述候选社交网络的第一社团网络的内部安全性指标;
第三确定子模块,用于确定所述候选社交网络的第一社团网络的沟通便捷度;
第四确定子模块,用于根据所述外部安全性指标、所述内部安全性指标和所述沟通便捷度,确定所述候选社交网络中第一社团网络的目标函数的取值;
所述第二确定子模块,包括:
第三获取单元,用于获取所述候选社交网络的第一社团网络中的各个用户节点;
第四确定单元,用于确定所述候选社交网络的第一社团网络对各个用户节点的吸引力值;
第五确定单元,用于根据所述候选社交网络的第一社团网络对各个用户节点的吸引力值,确定所述候选社交网络的第一社团网络的内部安全性指标。
6.如权利要求5所述的装置,其特征在于,所述第一确定子模块,包括:
第一获取单元,用于获取所述目标连接边在所述候选社交网络的社交网络中的第三用户节点;
第二获取单元,用于获取所述目标连接边在所述候选社交网络的第一社团网络中的第四用户节点;
第一确定单元,用于确定所述候选社交网络的社交网络对所述第三用户节点的第一吸引力信息;
第二确定单元,用于确定所述候选社交网络的第一社团网络对所述第四用户节点的第二吸引力信息;
第三确定单元,用于根据所述第一吸引力信息和所述第二吸引力信息,确定所述候选社交网络中第一社团网络的外部安全性指标。
7.如权利要求5所述的装置,其特征在于,所述第三确定子模块,具体用于:
根据所述候选社交网络的第一社团网络,确定所述候选社交网络的第一社团网络中两两用户节点之间的最短路径的长度;
根据所述候选社交网络的第一社团网络中两两用户节点之间的最短路径的长度,确定所述候选社交网络的第一社团网络的沟通便捷度。
8.如权利要求5所述的装置,其特征在于,所述第四确定单元,具体用于:
针对每个用户节点,根据所述用户节点到所述候选社交网络的第一社团网络中其他用户节点的最短路径的长度;
根据所述用户节点到其他用户节点的最短路径的长度和基本权重,确定所述候选社交网络的第一社团网络对所述用户节点的吸引力值。
9.一种电子设备,其特征在于,包括:
存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-4中任一所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-4中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110751398.2A CN113361055B (zh) | 2021-07-02 | 2021-07-02 | 扩展社交网络中的隐私处理方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110751398.2A CN113361055B (zh) | 2021-07-02 | 2021-07-02 | 扩展社交网络中的隐私处理方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113361055A CN113361055A (zh) | 2021-09-07 |
CN113361055B true CN113361055B (zh) | 2024-03-08 |
Family
ID=77538017
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110751398.2A Active CN113361055B (zh) | 2021-07-02 | 2021-07-02 | 扩展社交网络中的隐私处理方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113361055B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014182606A1 (en) * | 2013-05-08 | 2014-11-13 | Facebook, Inc. | Approximate privacy for search queries on online social networks |
CN110750807A (zh) * | 2017-02-28 | 2020-02-04 | 覃嘉雯 | 一种保护网络数据隐私是泄漏的方法 |
CN110910261A (zh) * | 2019-10-24 | 2020-03-24 | 浙江工业大学 | 一种基于多目标优化的网络社团检测对抗增强方法 |
CN111046429A (zh) * | 2019-12-13 | 2020-04-21 | 支付宝(杭州)信息技术有限公司 | 基于隐私保护的关系网络构建方法及装置 |
-
2021
- 2021-07-02 CN CN202110751398.2A patent/CN113361055B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014182606A1 (en) * | 2013-05-08 | 2014-11-13 | Facebook, Inc. | Approximate privacy for search queries on online social networks |
CN110750807A (zh) * | 2017-02-28 | 2020-02-04 | 覃嘉雯 | 一种保护网络数据隐私是泄漏的方法 |
CN110910261A (zh) * | 2019-10-24 | 2020-03-24 | 浙江工业大学 | 一种基于多目标优化的网络社团检测对抗增强方法 |
CN111046429A (zh) * | 2019-12-13 | 2020-04-21 | 支付宝(杭州)信息技术有限公司 | 基于隐私保护的关系网络构建方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113361055A (zh) | 2021-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019200714A1 (zh) | 服务器连接方法、计算机可读存储介质、终端设备及装置 | |
CN107895038B (zh) | 一种链路预测关系推荐方法及装置 | |
CN111460234B (zh) | 图查询方法、装置、电子设备及计算机可读存储介质 | |
CN107085616B (zh) | Lbsn中一种基于多维属性挖掘的虚假评论可疑地点检测方法 | |
CN107092667B (zh) | 基于社交网络的群组查找方法和装置 | |
CN111523143B (zh) | 针对多方的隐私数据进行聚类的方法和装置 | |
CN102135983A (zh) | 基于网络用户行为的群体划分方法和装置 | |
CN112291272B (zh) | 网络威胁检测方法、装置、设备及计算机可读存储介质 | |
CN109120431B (zh) | 复杂网络中传播源选择的方法、装置及终端设备 | |
CN114785696A (zh) | 复杂网络节点的重要度评估方法及装置 | |
CN112464107B (zh) | 一种基于多标签传播的社交网络重叠社区发现方法及装置 | |
CN111049809A (zh) | 风险用户识别方法、装置、计算机设备及存储介质 | |
CN107679053B (zh) | 地点推荐方法、装置、计算机设备及存储介质 | |
CN111491300A (zh) | 风险检测方法、装置、设备及存储介质 | |
CN114143035A (zh) | 知识图谱推荐系统的对抗攻击方法、系统、设备及介质 | |
US8756093B2 (en) | Method of monitoring a combined workflow with rejection determination function, device and recording medium therefor | |
JP2019016335A (ja) | コンピュータシステムにおけるデータ損失を防止するためのシステム及び方法 | |
CN108921189B (zh) | 针对社交网络用户属性的推演方法及装置 | |
CN111783088B (zh) | 一种恶意代码家族聚类方法、装置和计算机设备 | |
CN113361055B (zh) | 扩展社交网络中的隐私处理方法、装置、电子设备和存储介质 | |
CN112966054A (zh) | 基于企业图谱节点间关系的族群划分方法和计算机设备 | |
WO2020202327A1 (ja) | 学習システム、学習方法、及びプログラム | |
Yoshikawa et al. | A fake news dissemination model based on updating reliability and doubt among individuals | |
US11972335B2 (en) | System and method for improving classification in adversarial machine learning | |
CN112765412A (zh) | 一种动态图数据的摘要展示方法 |
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 |