CN115310762A - 基于异构图神经网络的目标服务确定方法和装置 - Google Patents
基于异构图神经网络的目标服务确定方法和装置 Download PDFInfo
- Publication number
- CN115310762A CN115310762A CN202210786180.5A CN202210786180A CN115310762A CN 115310762 A CN115310762 A CN 115310762A CN 202210786180 A CN202210786180 A CN 202210786180A CN 115310762 A CN115310762 A CN 115310762A
- Authority
- CN
- China
- Prior art keywords
- target
- evaluated
- attention weight
- social
- service
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 24
- 239000013598 vector Substances 0.000 claims abstract description 64
- 238000013210 evaluation model Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 23
- 238000011156 evaluation Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000010365 information processing Effects 0.000 abstract description 2
- 230000004044 response Effects 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 9
- 230000003993 interaction Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000006399 behavior Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008520 organization Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000013475 authorization Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000010485 coping Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于在计算机信息处理技术领域，提供一种基于异构图神经网络的目标服务确定方法、装置和电子设备，方法包括：获取待评估目标的社交信息；根据社交信息构建社交关系异构图，确定与待评估目标对应的注意力权重；将注意力权重输入预设的安全评估模型计算待评估目标的信任度。本发明根据待评估目标的社交信息构建具有不同类型社交关系的社交关系异构图，计算与待评估目标对应的注意力权重，并将注意力权重向量输入预设的安全评估模型计算待评估目标的信任度，根据信任度确定服务策略。在本方案中通过待评估目标的社交关系得到的信任度，为服务提供方在提供服务前及时做出应对策略，避免因提供的服务不匹配导致的损失，保障服务的数据安全。
Description
技术领域
本发明属于计算机信息处理技术领域，更具体的是涉及一种基于异构图神经网络的目标服务确定方法、装置、电子设备和计算机可读介质。
背景技术
对于提供服务的机构而言，对服务使用方进行全面深入的分析，能够有助于为服务使用方提供更加优质的服务。但是，很多情况下，服务使用方提交的信息并不充分，特别是对于刚刚落地注册的服务使用方而言，服务机构仅能获知简单的使用方信息。在这种情况下，将分散在各地、各个机构的服务使用方数据进行整合就成为了一个重要趋势。
在数据服务领域，存在数据不安全的特点，因此机构通常通过运用大量的历史样例数据对评分模型进行训练，训练生成评分模型，来判断待评估目标的信任度，但是当机构收集的信息较少时，如何确定所提供的服务的难度会变的非常大，预测结果不准确，而预测结果不准确，也很难制定出相匹配的服务策略。
发明内容
(一)要解决的技术问题
本发明旨在解决如何在信息较少的情况下准确预测对待评估目标的信任度的技术问题。
(二)技术方案
为解决上述技术问题，本发明的一方面提出一种基于异构图神经网络的目标服务确定方法，包括：
获取待评估目标的社交信息；
根据所述社交信息构建具有不同类型社交关系的社交关系异构图，确定与所述待评估目标对应的注意力权重；
将所述注意力权重输入预设的安全评估模型计算所述待评估目标的信任度；
基于所述信任度与所述信任度趋势策略的比对结果，确定所述待评估目标的服务策略并进行推送。
根据本发明的优选实施方式，所述根据所述社交信息构建具有不同类型社交关系的社交关系异构图，确定与所述待评估目标对应的注意力权重，进一步包括：
将与所述待评估目标存在社交关系的目标作为邻居节点，将目标间的社交信息作为边，构建社交关系异构图；
根据社交关系异构图计算不同邻居节点与待评估目标间的节点注意力权重；
根据所述节点注意力权重计算待评估目标与各个邻居节点之间的边注意力权重。
根据本发明的优选实施方式，将所述注意力权重输入预设的安全评估模型计算所述待评估目标的信任度，进一步包括：
对所述节点注意力权重加权求和得到节点注意力权重向量；
对所述边注意力权重加权求和得到边注意力权重向量；
将待评估目标的节点注意力权重向量和边注意力权重向量分别输入安全评估模型得到所述待评估目标的信任度。
根据本发明的优选实施方式，所述信任度趋势策略的比对结果，确定所述待评估目标的服务策略并进行推送进一步包括：
设定不同的信任度阈值区间；
对不同的信任度阈值区间设置对应的服务策略；
根据所述待评估目标的信任度所在的信任度阈值区间提供对应的服务策略。
根据本发明的优选实施方式，所述获取待评估目标的社交信息进一步包括：
获取待评估目标的社交关系信息，包括通话信息、通讯录信息及地理位置信息。
根据本发明的优选实施方式，在根据所述社交信息构建具有不同类型社交关系的社交关系异构图，确定与所述待评估目标对应的注意力权重前，所述方法还包括：
将历史用户的社交信息作为训练样本；
根据所述训练样本构建社交关系异构图，计算得到所述历史用户的注意力权重向量；
将所述注意力权重向量输入卷积神经网络模型进行训练，得到所述安全评估模型。
根据本发明的优选实施方式，所述将所述注意力权重向量输入卷积神经网络模型进行训练，得到所述安全评估模型，进一步包括：
将历史用户的注意力权重向量输入神经网络模型，输出的安全评分与所述历史用户实际的安全评分进行比较；
通过损失函数调整模型参数使得模型输出的安全评分与所述历史用户实际的安全评分误差最小，最终得到所述安全评估模型。
根据本发明的优选实施方式，所述方法还包括：
定期更新所述训练样本，并根据更新后的训练样本更新所述安全评估模型。
本发明第二方面提出一种基于异构图神经网络的目标服务确定装置，包括：
信息获取模块，用于获取待评估目标的社交信息；
注意力权重计算模块，用于根据所述社交信息构建具有不同类型社交关系的社交关系异构图，确定与所述待评估目标对应的注意力权重；
评估模块，用于将所述注意力权重输入预设的安全评估模型计算所述待评估目标的信任度；
服务确定模块，用于基于所述信任度与所述信任度趋势策略的比对结果，确定所述待评估目标的服务策略并进行推送。
根据本发明的优选实施方式，所述注意力权重计算模块进一步包括：
社交关系异构图创建单元，用于将与所述待评估目标存在社交关系的目标作为邻居节点，将目标间的社交信息作为边，构建社交关系异构图；
节点注意力权重计算单元，用于根据社交关系异构图计算不同邻居节点与待评估目标间的节点注意力权重；
边注意力权重计算单元，用于根据所述节点注意力权重计算待评估目标与各个邻居节点之间的边注意力权重。
根据本发明的优选实施方式，所述评估模块进一步包括：
节点注意力权重向量计算单元，用于对所述节点注意力权重加权求和得到节点注意力权重向量；
边注意力权重向量计算单元，用于对所述边注意力权重加权求和得到边注意力权重向量；
评估单元，用于将待评估目标的节点注意力权重向量和边注意力权重向量分别输入安全评估模型得到所述待评估目标的信任度。
根据本发明的优选实施方式，所述服务确定模块进一步包括：
信任度阈值区间设置单元，用于设定不同的信任度阈值区间；
服务策略制定单元，用于对不同的信任度阈值区间设置对应的服务策略；
服务确定单元，用于根据所述待评估目标的信任度所在的信任度阈值区间提供对应的服务策略。
本发明第三方面提出一种电子设备，包括处理器和存储器，所述存储器用于存储计算机可执行程序，当所述计算机程序被所述处理器执行时，所述处理器执行所述的方法。
本发明第四方面还提出一种计算机可读介质，存储有计算机可执行程序，所述计算机可执行程序被执行时，实现所述的方法。
(三)有益效果
本发明通过获取待评估目标的社交信息，根据所述社交信息构建具有不同类型社交关系的社交关系异构图，确定与待评估目标对应的注意力权重，并将注意力权重向量输入预设的安全评估模型计算所述待评估目标的信任度，在本方案中通过待评估目标的社交关系得到的信任度，为服务提供方在提供服务前及时做出应对策略，避免因提供的服务不匹配导致的损失，保障服务的数据安全。
附图说明
图1是本发明一个实施例的一种基于异构图神经网络的目标服务确定方法及装置的系统框图；
图2是本发明一个实施例的一种基于异构图神经网络的目标服务确定方法流程示意图；
图3是本发明一个实施例的一种基于异构图神经网络的目标服务确定装置示意图。
具体实施方式
在对于具体实施例的介绍过程中，对结构、性能、效果或者其他特征的细节描述是为了使本领域的技术人员对实施例能够充分理解。但是，并不排除本领域技术人员可以在特定情况下，以不含有上述结构、性能、效果或者其他特征的技术方案来实施本发明。
各附图中相同的附图标记表示相同或类似的元件、组件或部分，因而下文中可能省略了对相同或类似的元件、组件或部分的重复描述。还应理解，虽然本文中可能使用第一、第二、第三等表示编号的定语来描述各种器件、元件、组件或部分，但是这些器件、元件、组件或部分不应受这些定语的限制。也就是说，这些定语仅是用来将一者与另一者区分。例如，第一器件亦可称为第二器件，但不偏离本发明实质的技术方案。此外，术语“和/或”、“及/或”是指包括所列出项目中的任一个或多个的所有组合。
本发明提出一种基于异构图神经网络的目标服务确定方法，通过将待识别目标的社交信息构建社交关系异构图，从节点维度和视图维度计算对应的注意力权重，最后将注意力权重向量输入训练好的分类模型计算得到该用户的信任度。
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。
图1是根据一示例性实施例示出的一种基于异构图神经网络的目标服务确定方法及装置的系统框图。
如图1所示，系统架构100可以包括用户终端101、102、103中的一种或多种，网络104和服务器105。网络104用以在用户终端101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
应该理解，图1中的用户终端、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的用户终端、网络和服务器。比如服务器105可以是多个服务器组成的服务器集群等。
用户可以使用用户终端101、102、103通过网络104与服务器105交互，以接收或发送消息等。用户终端101、102、103可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、便携式计算机和台式计算机等等。
在一些实施例中，本发明实施例所提供的设备安全等级识别方法一般由服务器105执行，相应地，设备安全等级识别装置一般设置于服务器105中。在另一些实施例中，某些终端可以具有与服务器相似的功能从而执行本方法。因此，本发明实施例所提供的设备安全等级识别方法不限定在服务器端执行。
图2是本发明一个是实施例的一种基于异构图神经网络的目标服务确定方法流程示意图。
如图2所示，本方法包括：
S201、获取待评估目标的社交信息。
在本实施例中，待评估目标可为个人用户或者企业用户，其中，在待评估目标为个人用户时，社交信息可包括经过用户授权的基础信息，例如，基础信息可以是通话信息、电话通讯录信息、社交软件通讯录、用户所处地域信息、交易信息、交互信息等；社交信息还可包括行为信息，例如，行为信息可以是用户之间的交易信息、用户之间的交流信息等；在待评估目标为企业用户时，社交信息可以是企业之间的股权穿透信息、企业之间的新闻信息、企业内管理人员的社交信息等等；社交信息的具体内容可根据实际应用场景确定，在此不做限制。
在一个具体的应用中，待识别的节点可为用户，社交信息为该用户和其他用户之间的交互信息，交互信息可包括：互联网上进行过互动，在同一地理位置同时出现并同行，共用过同一硬件设备等等。通过是否有交互来确定用户之间是否有关联，然后再依据本申请中的方法生成该用的关联用户，进而再根据关联用户的行为(比如，是否存在违规行为，是否存在不良记录等等)来确定该关联用户是不是会影响到用户信息安全的可疑人员。
在本申请实施例中，待识别节点还可以是终端设备或者服务器，其中，社交信息可以是终端设备或服务器中数据交互信息、数据传输信息、设备状态信息等等。
在一个具体的应用中，待识别的节点可为终端设备，社交信息可为与该终端设备有过数据传输的其他终端，或者是和该终端设备处在同一网段内的其他终端，还可以是和该终端设备处于同一公司名下的其他终端。可通过终端设备之间是否有传输过数据、终端设备之间是否有物理连接关系，来确定该终端设备的关联终端。
在本实施例中，社交信息可以是用户使用的终端设备或社交账号之间的关注信息或者交流信息；或者不同目标之间的交易信息；或者，在用户授权的情况下获取的设备内存储的通讯记录和联系人信息；亦或者，从视频数据中采集的用户之间的交流信息；也可以是，企业内员工的岗位信息或者员工所属的部门信息等等。
在本方案中，以所述待评估目标为用户进行举例，在用户授权的情况下首先获取待评估目标的社交信息，社交信息可以包括交易信息、通话信息、互联网上进行过互动，在同一地理位置同时出现并同行，共用过同一硬件设备等等等，上述社交情况可以是使用通信设备的用户在互联网服务平台公开的数据，在本实施例中，社交关联可以是暂时性关联，比如，某一天与该用户存在通话关系的用户，或者地理位置相近；也可以是长久性关联，比如家庭关联，电话通讯录中的用户，工作单位关联等等，在此不做具体限制。可以采用对用户信息中可以识别出用户身份的信息删除或者匿名化处理的方式来实现对于用户隐私的保护，匿名化处理可以是通过加密手段对数据进行处理。
在本方案中，由于居住相近的用户之间可能存在社交关联，所以，可以获取与待评估目标地理位置相近的历史用户，例如与该用户所在地距离小于一千米之内，或者居住在同一小区的历史用户。
S202、根据所述社交信息构建具有不同类型社交关系的社交关系异构图，确定与所述待评估目标对应的注意力权重。
对于安全评估模型，在本发明实施例中是通过大量的历史样本数据训练得出的，在本实施例中，在根据所述社交信息构建具有不同类型社交关系的社交关系异构图，确定与所述待评估目标对应的注意力权重前，首先获取大量历史用户的用户信息，并获取每个历史用户的社交信息作为训练样本，根据训练样本构建社交关系异构图，计算得到所述历史用户的注意力权重向量，由于历史用户的安全情况是已知的，将已知的安全情况作为标签，将这些训练样本得到的注意力权重向量输入模型进行训练，输出的安全评分与所述历史用户实际的安全评分进行比较，通过损失函数调整模型参数使得模型输出的安全评分与历史用户实际的安全评分误差最小，最终得到安全评估模型，本发明实施例中使用的模型包括但不限于卷积神经网络模型。
在一些实施例中，在获取到待评估目标的社交信息后，根据社交信息构建社交关系异构图，其中以待评估目标的手机号作为待评估用户，分别将与待评估目标存在社交关系的每个用户作为一个邻居节点，将用户间对应的社交关系分别作为边构建社交关系异构图。
社交关系可分为不同类型，例如通话关系、通讯录关系、地理位置关系等。
本发明通过节点维度和视图维度两方面来计算待评估目标的注意力权重。
1)节点维度：利用如下公式计算节点维度的注意力权重：
其中u表示待评估用户，i表示邻居节点，
表示当前社交关系异构图下邻居节点i的特征向量，
表示当前社交关系异构图下需要学习的邻居节点i的注意力向量，
表示当前社交关系异构图下待评估用户u的邻居节点集合，
表示当前社交关系异构图下邻居节点k的特征向量，
表示当前社交关系异构图下需要学习的邻居节点k的注意力向量。
对计算得到的注意力权重αui进行归一化处理。
在得到待评估用户的注意力系数后，与周围邻居节点特征进行加权求和，得到待评估用户的节点注意力权重向量，用如下公式表示：
其中，αuk表示待评估用户与邻居节点k的注意力权重，euk表示待评估用户的邻居节点k的特征向量。
节点维度用户比较同一种用户社交关系间邻居节点与待评估用户间的影响力，例如用户通话信息中的邻居节点进行比较，用户通讯录信息中的邻居节点进行比较，用户地理位置附近的邻居节点进行比较。
2)视图维度：
根据所述节点注意力权重计算与待评估用户社交关系不同的边注意力权重。将节点注意力权重向量输入神经网络的全连接层
其中，ReLU为线性整流函数，
为节点注意力权重向量，wi为邻居节点i的特征；b为偏置项，初始值为预设常数；通过线性整流函数对前连接层的函数进行整流，得到节点注意力权重向量。
然后计算边注意力权重系数：
计算方法与计算节点注意力系数相同，最后进行加权求和，并对每个视图进行拼接得到最终的边注意力权重向量：
k包含于
其中，
为待评估目标与邻居节点i的边的边注意力权重，
为节点注意力权重向量中第i个元素，
为待评估目标与邻居节点i的边的特征向量，
为节点注意力权重向量中第k个元素，
为待评估目标与邻居节点k的边的特征向量，
表示待评估用户与邻居节点k的边的边注意力权重，
为节点注意力权重向量中第k个元素，concat表示合并函数。
视图维度用户比较不同用户社交关系间节点的影响力，例如比较用户通话信息的节点与用户通讯录节点对于待评估目标的影响力，或者比较用户通讯录信息节点与用户地理位置附近的节点对于待评估目标的影响力等。
在本实施例中，在计算得到各个邻居节点与待评估用户之间的边注意力权重后，可以将具有相同类型的社交关系的邻居节点与待评估用户之间的边注意力权重汇总，得到该类型社交关系的节点的平均边注意力权重，将该平均边注意力权重作为该类型社交关系的各个邻居节点与待评估用户的边注意力权重，降低因为单个目标的过度关注对于计算的影响，通过本步骤，可以得到待评估用户对于不同种类社交关系的目标的平均关注度，从宏观观察待评估用户用户对于不同社交关系的目标的注意力，降低因为单个目标的过度关注对于总体的影响，提高预测精准性。其中，汇总的方式可以采用均值计算、调和平均、加权平均等等。再进一步，可以确定具有同类型社交关系的节点与待评估用户之间的边注意力权重的方差或者波动性，根据方差或波动性可以有效的确定待评估用户对于该类型社交关系的节点的注意力，即可以确定不同类型社交关系的节点对于待评估用户的影响。
S203、将所述注意力权重输入预设的安全评估模型计算所述待评估目标的信任度。
将注意力权重系数加权求和后得到的待评估目标的节点注意力权重向量和边注意力权重向量分别输入上述实施例中训练得到的安全评估模型，分别得到同种社交关系间待评估目标的信任度，以及不同社交关系间待评估目标的信任度，最后经过不同策略综合评估得到该用户的信任度。
优选的，为了确保文本分类模型输出的结果的准确度，需要定期更新训练样本，选择时间较近的训练样本，统计样本的信任度，并根据更新后的样本训练安全评估模型，对安全评估模型参数进行更新。
本发明通过获取待评估目标的社交信息，根据所述社交信息构建具有不同类型社交关系的社交关系异构图，确定与待评估目标对应的注意力权重，并将注意力权重向量输入预设的安全评估模型计算所述待评估目标的信任度，解决了在用户数据较少的情况下，无法通过用户特征预测出用户信任度或预测结果不准确的问题，根据预测的用户的信任度在对用户进行服务前及时做出应对策略，避免损失，提高服务安全。
S204、基于所述信任度与所述信任度趋势策略的比对结果，确定所述待评估目标的服务策略并进行推送。
可例如，信任度趋势策略可以是预设信任度阈值，由大量历史用户的用户数据中提取针对该目标的统计分析值，以生成多个预设信任度区间。为不同的信任度区间制定不同的服务策略；信任度趋势策略也可以根据信任度随时间变化的变化趋势来设定信任度阈值，比如，可以设置多个不同的基准信任度阈值和一个单位信任度阈值，当社交关系随时间变化的变化趋势是待识别目标的信任度逐渐降低时，根据信任度变化趋势生成变化曲线，对变化曲线求导得到降低率，将多个不同的基准信任度阈值减去降低率乘以单位信任度阈值，得到当前信任度变化趋势对应的信任度阈值，根据得到的多个信任度阈值来确定最终的服务策略。同理，当信任度随时间变化的变化趋势是信任度逐渐增长时，将基准信任度阈值加上增长率乘以单位信任度阈值，根据得到的多个信任度阈值来确定最终的服务策略，最终可以在信任度的变化趋势不同的情况下设定不同的信任度阈值，以提高推送的服务的准确性。
本领域技术人员可以理解，实现上述实施例的全部或部分步骤被实现为由计算机数据处理设备执行的程序(计算机程序)。在该计算机程序被执行时，可以实现本发明提供的上述方法。而且，所述的计算机程序可以存储于计算机可读存储介质中，该存储介质可以是磁盘、光盘、ROM、RAM等可读存储介质，也可以是多个存储介质组成的存储阵列，例如磁盘或磁带存储阵列。所述的存储介质不限于集中式存储，其也可以是分布式存储，例如基于云计算的云存储。
下面描述本发明的装置实施例，该装置可以用于执行本发明的方法实施例。对于本发明装置实施例中描述的细节，应视为对于上述方法实施例的补充；对于在本发明装置实施例中未披露的细节，可以参照上述方法实施例来实现。
图3是本发明一个是实施例的一种基于异构图神经网络的目标服务确定装置示意图，如图3所示，该装置300包括：
信息获取模块301，用于获取待评估目标的社交信息；
注意力权重计算模块302，用于根据所述社交信息构建具有不同类型社交关系的社交关系异构图，确定与所述待评估目标对应的注意力权重；
评估模块303，用于将所述注意力权重输入预设的安全评估模型计算所述待评估目标的信任度；
服务确定模块304，用于基于所述信任度与所述信任度趋势策略的比对结果，确定所述待评估目标的服务策略并进行推送。
其中，信息获取模块301进一步包括：
社交关系获取单元：用于获取待评估目标的社交关系信息，包括通话信息、通讯录信息及地理位置信息。
根据本发明的优选实施方式，本装置还包括模型训练模块，用于将历史用户的社交信息作为训练样本；根据所述训练样本构建社交关系异构图，计算得到所述历史用户的注意力权重向量；将所述注意力权重向量输入卷积神经网络模型进行训练，得到所述安全评估模型。
根据本发明的优选实施方式，模型训练模块进一步用于：将历史用户的注意力权重向量输入神经网络模型，输出的安全评分与所述历史用户实际的安全评分进行比较；通过损失函数调整模型参数使得模型输出的安全评分与所述历史用户实际的安全评分误差最小，最终得到所述安全评估模型。
根据本发明的优选实施方式，注意力权重计算模块302进一步包括：社交关系异构图创建单元，用于将与所述待评估目标存在社交关系的目标作为邻居节点，将目标间的社交信息作为边，构建社交关系异构图；
节点注意力权重计算单元，用于根据社交关系异构图计算不同邻居节点与待评估目标间的节点注意力权重；
边注意力权重计算单元，用于根据所述节点注意力权重计算待评估目标与各个邻居节点之间的边注意力权重。
根据本发明的优选实施方式，评估模块303进一步包括：节点注意力权重向量计算单元，用于对所述节点注意力权重加权求和得到节点注意力权重向量；
边注意力权重向量计算单元，用于对所述边注意力权重加权求和得到边注意力权重向量；
评估单元，用于将待评估目标的节点注意力权重向量和边注意力权重向量分别输入安全评估模型得到所述待评估目标的信任度。
根据本发明的优选实施方式，服务确定模块304进一步包括：信任度阈值区间设置单元，用于设定不同的信任度阈值区间；服务策略制定单元，用于对不同的信任度阈值区间设置对应的服务策略；服务确定单元，用于根据所述待评估目标的信任度所在的信任度阈值区间提供对应的服务策略。
根据本发明的优选实施方式，本装置还包括更新模块，用于定期更新所述训练样本，并根据更新后的训练样本更新所述安全评估模型。
信息获取模块301获取用户不同类型的社交信息，注意力权重计算模块302根据所述社交信息构建具有不同类型社交关系的社交关系异构图，确定与所述待评估目标对应的注意力权重，评估模块303根据计算得到的注意力权重计算注意力权重向量，并输入预设的安全评估模型计算所述待评估目标的信任度，服务确定模块304根据评估得到的信任度与信任度趋势策略的比对结果，确定所述待评估目标的服务策略并进行推送。解决了在用户数据较少的情况下，无法通过用户特征预测出用户信任度或预测结果不准确的问题，根据预测的用户的信任度在对用户进行服务前及时做出应对策略，避免损失，保障服务的数据安全。
本发明的一个实施例的电子设备，该电子设备包括处理器和存储器，所述存储器用于存储计算机可执行程序，当所述计算机程序被所述处理器执行时，所述处理器执行基于异构图神经网络的目标服务确定方法。
电子设备以通用计算设备的形式表现。其中处理器可以是一个，也可以是多个并且协同工作。本发明也不排除进行分布式处理，即处理器可以分散在不同的实体设备中。本发明的电子设备并不限于单一实体，也可以是多个实体设备的总和。
所述存储器存储有计算机可执行程序，通常是机器可读的代码。所述计算机可读程序可以被所述处理器执行，以使得电子设备能够执行本发明的方法，或者方法中的至少部分步骤。
所述存储器包括易失性存储器，例如随机存取存储单元(RAM)和/或高速缓存存储单元，还可以是非易失性存储器，如只读存储单元(ROM)。
可选的，该实施例中，电子设备还包括有I/O接口，其用于电子设备与外部的设备进行数据交换。I/O接口可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
应当理解，本发明的电子设备中还可以包括上述示例中未示出的元件或组件。例如，有些电子设备中还包括有显示屏等显示单元，有些电子设备还包括人机交互元件，例如按扭、键盘等。只要该电子设备能够执行存储器中的计算机可读程序以实现本发明方法或方法的至少部分步骤，均可认为是本发明所涵盖的电子设备。
本发明的一个实施例的计算机可读记录介质。计算机可读记录介质中存储有计算机可执行程序，所述计算机可执行程序被执行时，实现本发明上述的基于异构图神经网络的目标服务确定方法。所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该计算机可读介质实现如下功能：获取待评估目标的社交信息；根据所述社交信息构建具有不同类型社交关系的社交关系异构图，确定与所述待评估目标对应的注意力权重；将所述注意力权重输入预设的安全评估模型计算所述待评估目标的信任度。
通过以上对实施方式的描述，本领域的技术人员易于理解，本发明可以由能够执行特定计算机程序的硬件来实现，例如本发明的系统，以及系统中包含的电子处理单元、服务器、客户端、手机、控制单元、处理器等。本发明也可以由执行本发明的方法的计算机软件来实现。但需要说明的是，执行本发明的方法的计算机软件并不限于由一个或特定个的硬件实体中执行，其也可以是由不特定具体硬件的以分布式的方式来实现，例如计算机程序执行的某些方法步骤可以在移动客户端执行，另一部分可以在智能表、智能识别笔等中执行。对于计算机软件，软件产品可以存储在一个计算机可读的存储介质(可以是CD-ROM，U盘，移动硬盘等)中，也可以分布式存储于网络上，只要其能使得电子设备执行根据本发明的方法。
综上所述，本发明可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)等通用数据处理设备来实现根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
以上所述的具体实施例，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，本发明不与任何特定计算机、虚拟装置或者电子设备固有相关，各种通用装置也可以实现本发明。以上所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 (13)
1.一种基于异构图神经网络的目标服务确定方法，其特征在于，包括：
获取待评估目标的社交信息；
根据所述社交信息构建具有不同类型社交关系的社交关系异构图，通过所述社交关系异构图中节点的社交关系确定与所述待评估目标对应的注意力权重；
将所述注意力权重输入预设的安全评估模型计算所述待评估目标的信任度；
基于所述信任度与所述信任度趋势策略的比对结果，确定所述待评估目标的服务策略并进行推送。
2.根据权利要求1所述的基于异构图神经网络的目标服务确定方法，其特征在于，所述根据所述社交信息构建具有不同类型社交关系的社交关系异构图，确定与所述待评估目标对应的注意力权重，进一步包括：
将与所述待评估目标存在社交关系的目标作为邻居节点，将目标间的社交信息作为边，构建社交关系异构图；
根据社交关系异构图计算不同邻居节点与待评估目标间的节点注意力权重；
根据所述节点注意力权重计算待评估目标与各个邻居节点之间的边注意力权重。
3.根据权利要求2所述的基于异构图神经网络的目标服务确定方法，其特征在于，所述将所述注意力权重输入预设的安全评估模型计算所述待评估目标的信任度，进一步包括：
对所述节点注意力权重加权求和得到节点注意力权重向量；
对所述边注意力权重加权求和得到边注意力权重向量；
将待评估目标的节点注意力权重向量和边注意力权重向量分别输入安全评估模型得到所述待评估目标的信任度。
4.根据权利要求1所述的基于异构图神经网络的目标服务确定方法，其特征在于，所述信任度趋势策略的比对结果，确定所述待评估目标的服务策略并进行推送进一步包括：
设定不同的信任度阈值区间；
对不同的信任度阈值区间设置对应的服务策略；
根据所述待评估目标的信任度所在的信任度阈值区间提供对应的服务策略。
5.根据权利要求1所述的基于异构图神经网络的目标服务确定方法，其特征在于，在根据所述社交信息构建具有不同类型社交关系的社交关系异构图，确定与所述待评估目标对应的注意力权重前，所述方法还包括：
将历史用户的社交信息作为训练样本；
根据所述训练样本构建社交关系异构图，计算得到所述历史用户的注意力权重向量；
将所述注意力权重向量输入卷积神经网络模型进行训练，得到所述安全评估模型。
6.根据权利要求5所述的基于异构图神经网络的目标服务确定方法，其特征在于，所述将所述注意力权重向量输入卷积神经网络模型进行训练，得到所述安全评估模型，进一步包括：
将历史用户的注意力权重向量输入神经网络模型，输出的安全评分与所述历史用户实际的安全评分进行比较；
通过损失函数调整模型参数使得模型输出的安全评分与所述历史用户实际的安全评分误差最小，最终得到所述安全评估模型。
7.根据权利要求6所述的基于异构图神经网络的目标服务确定方法，其特征在于，所述方法还包括：
定期更新所述训练样本，并根据更新后的训练样本更新所述安全评估模型。
8.一种基于异构图神经网络的目标服务确定装置，其特征在于，包括：
信息获取模块，用于获取待评估目标的社交信息；
注意力权重计算模块，用于根据所述社交信息构建具有不同类型社交关系的社交关系异构图，确定与所述待评估目标对应的注意力权重；
评估模块，用于将所述注意力权重输入预设的安全评估模型计算所述待评估目标的信任度；
服务确定模块，用于基于所述信任度与所述信任度趋势策略的比对结果，确定所述待评估目标的服务策略并进行推送。
9.根据权利要求8所述的基于异构图神经网络的目标服务确定装置，其特征在于，所述注意力权重计算模块进一步包括：
社交关系异构图创建单元，用于将与所述待评估目标存在社交关系的目标作为邻居节点，将目标间的社交信息作为边，构建社交关系异构图；
节点注意力权重计算单元，用于根据社交关系异构图计算不同邻居节点与待评估目标间的节点注意力权重；
边注意力权重计算单元，用于根据所述节点注意力权重计算待评估目标与各个邻居节点之间的边注意力权重。
10.根据权利要求9所述的基于异构图神经网络的目标服务确定装置，其特征在于，所述评估模块进一步包括：
节点注意力权重向量计算单元，用于对所述节点注意力权重加权求和得到节点注意力权重向量；
边注意力权重向量计算单元，用于对所述边注意力权重加权求和得到边注意力权重向量；
评估单元，用于将待评估目标的节点注意力权重向量和边注意力权重向量分别输入安全评估模型得到所述待评估目标的信任度。
11.根据权利要求8所述的基于异构图神经网络的目标服务确定装置，其特征在于，所述服务确定模块进一步包括：
信任度阈值区间设置单元，用于设定不同的信任度阈值区间；
服务策略制定单元，用于对不同的信任度阈值区间设置对应的服务策略；
服务确定单元，用于根据所述待评估目标的信任度所在的信任度阈值区间提供对应的服务策略。
12.一种电子设备，包括处理器和存储器，所述存储器用于存储计算机可执行程序，其特征在于：
当所述计算机程序被所述处理器执行时，所述处理器执行如权利要求1-7中任一项所述的方法。
13.一种计算机可读介质，存储有计算机可执行程序，其特征在于，所述计算机可执行程序被执行时，实现如权利要求1-7中任一项所述的方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210786180.5A CN115310762A (zh) | 2022-07-04 | 2022-07-04 | 基于异构图神经网络的目标服务确定方法和装置 |
| PCT/CN2023/077879 WO2024007599A1 (zh) | 2022-07-04 | 2023-02-23 | 基于异构图神经网络的目标服务确定方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210786180.5A CN115310762A (zh) | 2022-07-04 | 2022-07-04 | 基于异构图神经网络的目标服务确定方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115310762A true CN115310762A (zh) | 2022-11-08 |
Family
ID=83856305
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210786180.5A Pending CN115310762A (zh) | 2022-07-04 | 2022-07-04 | 基于异构图神经网络的目标服务确定方法和装置 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN115310762A (zh) |
| WO (1) | WO2024007599A1 (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116089722A (zh) * | 2023-02-15 | 2023-05-09 | 北京欧拉认知智能科技有限公司 | 基于图产出标签的实现方法、装置、计算设备和存储介质 |
| WO2024007599A1 (zh) * | 2022-07-04 | 2024-01-11 | 上海淇玥信息技术有限公司 | 基于异构图神经网络的目标服务确定方法和装置 |
| CN117608455A (zh) * | 2023-10-20 | 2024-02-27 | 中国中建设计研究院有限公司 | 基于计算模型的生态系统交互图像计算处理方法及系统 |
| CN117932285A (zh) * | 2024-03-25 | 2024-04-26 | 清华大学 | 基于异构图的数据重要性评估方法及装置 |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117911161B (zh) * | 2024-01-25 | 2024-06-21 | 广东顺银产融投资有限公司 | 一种项目投资决策方法、装置和存储介质 |
| CN117670572B (zh) * | 2024-02-02 | 2024-05-03 | 南京财经大学 | 一种基于图对比学习的社交行为预测方法、系统及产品 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11463472B2 (en) * | 2018-10-24 | 2022-10-04 | Nec Corporation | Unknown malicious program behavior detection using a graph neural network |
| CN112084428B (zh) * | 2020-09-17 | 2024-02-02 | 辽宁工程技术大学 | 一种基于耦合网络嵌入及知识图谱的协同过滤推荐方法 |
| CN112150013A (zh) * | 2020-09-27 | 2020-12-29 | 平安资产管理有限责任公司 | 一种企业风险预警方法、装置、设备及可读存储介质 |
| CN113609398B (zh) * | 2021-08-17 | 2023-09-19 | 石家庄铁道大学 | 一种基于异构图神经网络的社交推荐方法 |
| CN114579879B (zh) * | 2022-05-06 | 2022-07-26 | 南方科技大学 | 好友推荐方法、装置、设备和存储介质 |
| CN115310762A (zh) * | 2022-07-04 | 2022-11-08 | 上海淇玥信息技术有限公司 | 基于异构图神经网络的目标服务确定方法和装置 |
-
2022
- 2022-07-04 CN CN202210786180.5A patent/CN115310762A/zh active Pending
-
2023
- 2023-02-23 WO PCT/CN2023/077879 patent/WO2024007599A1/zh unknown
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024007599A1 (zh) * | 2022-07-04 | 2024-01-11 | 上海淇玥信息技术有限公司 | 基于异构图神经网络的目标服务确定方法和装置 |
| CN116089722A (zh) * | 2023-02-15 | 2023-05-09 | 北京欧拉认知智能科技有限公司 | 基于图产出标签的实现方法、装置、计算设备和存储介质 |
| CN116089722B (zh) * | 2023-02-15 | 2023-11-21 | 北京欧拉认知智能科技有限公司 | 基于图产出标签的实现方法、装置、计算设备和存储介质 |
| CN117608455A (zh) * | 2023-10-20 | 2024-02-27 | 中国中建设计研究院有限公司 | 基于计算模型的生态系统交互图像计算处理方法及系统 |
| CN117608455B (zh) * | 2023-10-20 | 2024-05-24 | 中国中建设计研究院有限公司 | 基于计算模型的生态系统交互图像计算处理方法及系统 |
| CN117932285A (zh) * | 2024-03-25 | 2024-04-26 | 清华大学 | 基于异构图的数据重要性评估方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2024007599A1 (zh) | 2024-01-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115310762A (zh) | 基于异构图神经网络的目标服务确定方法和装置 | |
| US10803183B2 (en) | System, method, and computer program product for detecting and assessing security risks in a network | |
| US10694026B2 (en) | Systems and methods for early fraud detection | |
| CN111431915A (zh) | 横向移动检测 | |
| CN113627566A (zh) | 一种网络诈骗的预警方法、装置和计算机设备 | |
| US9558348B1 (en) | Ranking software applications by combining reputation and code similarity | |
| CN112561685B (zh) | 客户的分类方法和装置 | |
| US20200244693A1 (en) | Systems and methods for cybersecurity risk assessment of users of a computer network | |
| CN111092999A (zh) | 一种数据请求处理方法和装置 | |
| CN110162958B (zh) | 用于计算设备的综合信用分的方法、装置和记录介质 | |
| CN107368499B (zh) | 一种客户标签建模及推荐方法及装置 | |
| CN111598713B (zh) | 基于相似度权重更新的团伙识别方法、装置及电子设备 | |
| CN113298121B (zh) | 基于多数据源建模的消息发送方法、装置和电子设备 | |
| CN111181757A (zh) | 信息安全风险预测方法、装置以及计算设备、存储介质 | |
| CN114398465A (zh) | 互联网服务平台的异常处理方法、装置和计算机设备 | |
| CN117437020A (zh) | 商户风险判定方法、装置、电子设备和介质 | |
| CN111241297A (zh) | 一种基于标签传播算法的图谱数据处理方法及装置 | |
| CN116305038A (zh) | 一种基于用户画像的账号安全监测方法、装置及电子设备 | |
| CN114363082B (zh) | 网络攻击检测方法、装置、设备及计算机可读存储介质 | |
| Bogdanov et al. | Risk model of application of lifting methods | |
| CN114529210A (zh) | 基于虚拟现实的评价方法及装置 | |
| CN114139934A (zh) | 基于人工智能的活动评价方法、装置、设备及介质 | |
| CN113570207A (zh) | 用户策略分配方法、装置及电子设备 | |
| Shaeiri et al. | Behavior-based online anomaly detection for a nationwide short message service | |
| CN113034123B (zh) | 异常资源转移识别方法、装置、电子设备及可读存储介质 |
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 | ||
| CB02 | Change of applicant information |
Country or region after: China Address after: Room 1109, No. 4, Lane 800, Tongpu Road, Putuo District, Shanghai, 200062 Applicant after: Shanghai Qiyue Information Technology Co.,Ltd. Address before: Room a2-8914, 58 Fumin Branch Road, Hengsha Township, Chongming District, Shanghai, 201500 Applicant before: Shanghai Qiyue Information Technology Co.,Ltd. Country or region before: China |
|
| CB02 | Change of applicant information |