CN117354274A - 一种基于神经网络的垃圾邮件发送者检测方法 - Google Patents
一种基于神经网络的垃圾邮件发送者检测方法 Download PDFInfo
- Publication number
- CN117354274A CN117354274A CN202311642220.XA CN202311642220A CN117354274A CN 117354274 A CN117354274 A CN 117354274A CN 202311642220 A CN202311642220 A CN 202311642220A CN 117354274 A CN117354274 A CN 117354274A
- Authority
- CN
- China
- Prior art keywords
- neural network
- vector
- spammer
- representing
- user
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 52
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 239000013598 vector Substances 0.000 claims abstract description 79
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000005295 random walk Methods 0.000 claims abstract description 5
- 230000003993 interaction Effects 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 12
- 230000007704 transition Effects 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 230000001537 neural effect Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000005316 response function Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 4
- 230000009466 transformation Effects 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
- H04L51/42—Mailbox-related aspects, e.g. synchronisation of mailboxes
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/20—Network architectures or network communication protocols for network security for managing network security; network security policies in general
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Security & Cryptography (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本发明公开一种基于神经网络的垃圾邮件发送者检测方法。所述方法包括：计算节点用户与帖子的偶然关系；偶然关系是通过参数随机游走模型从初始社交图推断出来的；将用户与帖子的特征编码为特征向量，将特征向量编码为图神经网络的向量；将偶然关系作为图神经网络的边向量，将用户与帖子的特征编码分别编码为图神经网络的顶点向量和边向量，输入图神经网络；将图神经网络的输出输入到一个全连接神经网络，输出垃圾邮件发送者，垃圾邮件检测完成。本发明通过从异构网络的视角来检测垃圾邮件发送者以及加入偶然关系的计算，这使得对垃圾邮件发送者检测效率得到提高，可以有效检测出垃圾邮件发送者，从而净化网络环境，维护网络安全。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种基于神经网络的垃圾邮件发送者检测方法。
背景技术
随着互联网技术的飞速发展，网络空间已成为当今世界新型的工作和生活空间。尽管为人类带来了诸多便利，但网络空间面临的安全威胁已逐渐成为一个不容忽视的严重问题。为了保证强大的网络防御能力，有效的垃圾邮件发送者检测技术的重要性得到认可。从本质上讲，对垃圾邮件发送者进行准确识别仍然不是一件容易的事。因为在线垃圾邮件通常发生在直接特征非常稀疏的复杂环境中。因此，精细特征的深度提取在很大程度上决定了检测效率。
现有技术主几乎都只考虑相对稳定和可见的关系，而没有注意到那些不易察觉或临时产生的关系。基于此，本发明提出一种异构网络空间视角下基于神经网络的垃圾邮件发送者检测方法。
发明内容
本发明提供了一种基于神经网络的垃圾邮件发送者检测方法，包括：
计算节点用户与帖子的偶然关系；偶然关系是通过参数随机游走模型从初始社交图推断出来的；
将用户与帖子的特征编码为特征向量，将特征向量编码为图神经网络的向量；
将偶然关系作为图神经网络的边向量，将用户与帖子的特征编码分别编码为图神经网络的顶点向量和边向量，输入图神经网络；
将图神经网络的输出输入到一个全连接神经网络，输出垃圾邮件发送者，垃圾邮件检测完成。
如上所述的一种基于神经网络的垃圾邮件发送者检测方法，其中，节点用户的偶然关系表示为：
；
其中，为ReLU激活函数，采样轮次的索引号表示为τ，范围从1到q，/>为第τ次采样轮次的注意力权重，/>和/>为参数，/>为第τ条步行路径的当前过渡轮中的隐藏状态。
如上所述的一种基于神经网络的垃圾邮件发送者检测方法，其中，帖子的偶然关系表示为：，其中/>和/>为参数，/>为第τ次采样轮次的注意力权重，/>表示为第τ条步行路径的当前过渡轮中的隐藏状态。
如上所述的一种基于神经网络的垃圾邮件发送者检测方法，其中，隐藏状态表示为：，其中/>是第m轮的网络状态向量，通过对第(m-1)轮和第m轮之间的转换关系进行建模得到，/>表示将上一步的状态按比例加到本步状态中。
如上所述的一种基于神经网络的垃圾邮件发送者检测方法，其中，将用户的数值属性和固定属性分别编码为和/>；对于贴子的语义，引入双向注意编码结构从两个方向对单词序列进行建模：/>，，将其编码为向量，其中/>为ReLU激活函数，/>表示级联操作，z表示每个句子里第z个单词的索引，/>表示前一个单词的代表向量，/>表示后一个单词的代表向量，/>为参数，/>表示第i个句子里包含z个词的词向量。
如上所述的一种基于神经网络的垃圾邮件发送者检测方法，其中，交互边缘特征的代表向量由三部分组成：用户之间的固有关系、用户之间的潜在关系和帖子之间的关系，顶点特征的代表向量是通过连接和/>获得的：/>，表示最终代表向量。
如上所述的一种基于神经网络的垃圾邮件发送者检测方法，其中，通过连接、和/>获得交互边缘特征的代表向量：/>，/>为用户社会关系映射的代表向量，/>表示节点用户的偶然关系，/>表示帖子的偶然关系。
如上所述的一种基于神经网络的垃圾邮件发送者检测方法，其中，所有的K个处理层后面都有一个全连接的神经映射函数来生成一个中间判别向量，该过程表示为：，其中/>为ReLU激活函数，/>和是参数，/>是帖子的注意力向量，/>是一个响应函数，表示用户/>和帖子/>之间的交互状态，p表示每层神经网络的节点个数。
本发明实现的有益效果如下：
（1）通过从异构网络的视角来检测垃圾邮件发送者以及加入偶然关系的计算，这使得对垃圾邮件发送者检测效率得到提高。
（2）通过本发明模块的检测，可以有效检测出垃圾邮件发送者，从而净化网络环境，维护网络安全。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的一种基于神经网络的垃圾邮件发送者检测方法流程图。
具体实施方式
下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一
如图1所示，本发明实施例一提供一种基于神经网络的垃圾邮件发送者检测方法，包括：
步骤110、计算节点用户与帖子的偶然关系；偶然关系是通过参数随机游走模型从初始社交图推断出来的。
对于节点用户，它的偶然关系是通过从它自己到其他节点的随机游走顺序采样的。采样轮次的索引号表示为τ，范围从1到q。在第τ轮采样中，期望产生由一系列节点组成的行走路径/>。节点的索引号用n表示，范围从1到N。/>采用以下格式：，其中，具有奇数索引号的节点是属性。每条步行路径都是异构节点的有向链接。每两个相邻节点属于不同类型，其中后一个节点属于前一个节点的一阶邻居。在行走路径/>的生成过程中，从第n个节点到第(n+1)个节点的变换概率由以下多项式分布得出：
；
其中，表示第n个节点的一阶邻居集。
由于垃圾邮件发送者检测问题通过对用户和帖子之间的历史交互行为进行建模来区分用户的性质，因此这部分的主要重点是学习两类实体的代表向量：用户和帖子。因此，只有以这两种类型的节点开始的路径才被用于建模。对于采样的步行路径，它包含两种类型的节点，分别分配了偶数和奇数索引号。
为了消除步行路径的异质性，需要从步行路径中删除索引号为偶数的节点。过滤后转化为另一个节点序列，其中m为索引号，取值范围为1~M，。因此，异构节点序列/>被转换为同质节点序列：/>。更重要的是，从节点/>到/>提取了关系链接。由于它是一个有向行走序列，其代表向量的生成需要经历一个顺序转换建模过程，可以用GRU模型建模。GRU中循环轮次的索引号为m总轮数为M，对于第m轮，隐藏状态向量根据第(m-1)轮的隐藏状态向量通过GRU算子更新。GRU是一种基于状态控制的神经网络模型，由两个门组成：更新门（UG）和重置门（RG）。UG控制上一轮状态信息被带入本轮的程度，RG控制上一轮状态信息被忽略的程度。在第τ条步行路径的当前过渡轮中，隐藏状态表示为：
；
其中是第m轮的网络状态向量，通过对第(m-1)轮和第m轮之间的转换关系进行建模得到，/>表示将上一步的状态按比例加到本步状态中。每个有向转移状态分为两步：前一个状态的输出和当前状态的输入。节点/>与两个变换矩阵相关联：/>和/>。前者是输出形式，后者是输入形式。从第(M -1)个节点/>到第M个节点/>的转换状态对应于两个变换矩阵：/>和/>，/>计算如下：/>；
其中是第(m - 1)个节点与第m个节点之间的相似性权重，其值为：，其中，/>，/>，其中/>计算/>和/>之间的公共交互帖子数，计算/>和所有其他(M - 1)个节点之间的公共交互帖子总数，计算/>的交互帖子数，而/>计算所有其他(M - 1)个节点的交互式帖子的数量。
综上所述，第m个节点的UG和RG的状态向量分别表示为：
；
；
其中为ReLU激活函数，/>为参数。第m个节点的隐藏状态向量表示为： ，其中/>表示逐元素乘法，并且/>计算为：，其中和/>为参数，/>为tanh激活函数，表示为：/> 。
的初始状态是一个(|u| - 1)维向量，其中每个元素表示用户/>与其他(|u|- 1)个用户之间的社会关系状态。它可以从节点序列/>中得到。(M - 1)维向量/>表示用户/>与(M - 1)个用户有偶然关系。/>中对应的(M-1)个元素置为1，/>中的其他元素置为0。
经过M轮传播后，第τ轮采样的输出隐藏状态向量为。所有q个采样轮的输出被聚合成一个最终的代表向量，以表示用户/>的偶然关系因素。聚合过程是通过一个神经映射过程来实现的，该过程表示为：/>，其中/>和/>为参数，/>为第τ次采样轮次的注意力权重。同理，以 />为起始节点，可以得到/>与其他post之间偶发关系的代表向量为：，其中/>和/>为参数，/>为第τ次采样轮次的注意力权重。
步骤120、将用户与帖子的特征编码为特征向量，将特征向量编码为图神经网络的向量；
为了充分挖掘用户与帖子之间的交互特征，假定用户与帖子之间的每次交互都会为用户产生贡献值。较高的贡献值表示用户是垃圾邮件发送者的可能性较大。所有互动记录的贡献值共同决定了性质。所有的交互都可以看作是一个图神经网络，其中交互是顶点，交互之间的关系是边。
将用户的数值属性（如发帖数，访问量等）和固定属性（性别，名称等）分别编码为和/>。对于贴子的语义，引入双向注意编码结构从两个方向对单词序列进行建模：，/>，将其编码为向量，其中/>表示级联操作，/>和/>分别对应前向和后向的代表向量，为参数。
在z = 1和z = Z的情况下，和/>是恒等向量。因此，/>语义的最终代表向量计算为：
；
其中和/>是转移向量，/>和/>是参数。至于用户/>和帖子/>之间的交互，其顶点特征的代表向量是通过连接/>、/>和/>获得的：/>，交互边缘特征的代表向量由三部分组成：用户之间的固有关系、用户之间的潜在关系和帖子之间的关系。由于前两部分已经推导出来，这里给出用户之间内在关系的建模。它源自用户之间固有的社会关系，表示为：/>，/>是一个(|u - 1|)维向量，表示用户/>的社会关系。需要通过如下操作映射成一个更抽象的代表向量：，其中/>和/>是参数。因此，通过连接/>、和/>获得交互边缘特征的代表向量：/>，/>表示常量参数，范围在0到1之间。
步骤130、将偶然关系作为图神经网络的边向量，将用户与帖子的特征编码分别编码为图神经网络的顶点向量和边向量，输入图神经网络。
对和/>进行编码后，设计了具有多个处理层的图神经网络结构，以进一步将其映射到更高维的特征空间。层的索引号用k表示，范围从1到K。这种多层结构是通过一系列从一层过渡到下一层的传播过程来实现的。在第k层，它的隐藏状态推导为：，其中/>是注意力矩阵，/>是从第(k - 1)层到第k层的转换矩阵。在初始层中，/>是从/>和/>中获得的。引入多层感知(MLP)网络将它们映射成两个抽象矩阵：/>，/>，在初始层中，/>为：/>，其中/>和/>是参数。
步骤140、将图神经网络的输出输入到一个全连接神经网络，输出垃圾邮件发送者，垃圾邮件检测完成。
所有的K个处理层后面都有一个全连接的神经映射函数来生成一个中间判别向量。该过程表示为：/>，其中/>和/>是参数，/>是帖子的注意力向量，/>是一个响应函数，表示用户/>和帖子/>之间的交互状态。如果交互存在，则/>等于1，否则等于0。用户/>的最终检测结果计算为：/>，其中/>是sigmoid激活函数，表示为：/>，其作用是将/>的范围限定为(0,1)，从而实现二分类。
的较高值表示用户/>更有可能是垃圾邮件发送者。垃圾邮件发送者检测问题的目标函数表示为公式：/>其中表示L2正则化项，/>表示与用户/>相关的参数集，/>是用户/>的真实自然值。/>表示为：/>。
最后，采用 Adam 优化器来解决优化问题。学习完所有参数后，直接计算出未知用户的检测结果。
以上所述的具体实施方式，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，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。
Claims (8)
1.一种基于神经网络的垃圾邮件发送者检测方法，其特征在于，包括：
计算节点用户与帖子的偶然关系；偶然关系是通过参数随机游走模型从初始社交图推断出来的；
将用户与帖子的特征编码为特征向量，将特征向量编码为图神经网络的向量；
将偶然关系作为图神经网络的边向量，将用户与帖子的特征编码分别编码为图神经网络的顶点向量和边向量，输入图神经网络；
将图神经网络的输出输入到一个全连接神经网络，输出垃圾邮件发送者，垃圾邮件检测完成。
2.如权利要求1所述的一种基于神经网络的垃圾邮件发送者检测方法，其特征在于，节点用户的偶然关系表示为：
；
其中，为ReLU激活函数，采样轮次的索引号表示为τ，范围从1到q，/>为第τ次采样轮次的注意力权重，/>和/>为参数，/>为用户第τ条步行路径的当前过渡轮中的隐藏状态。
3.如权利要求2所述的一种基于神经网络的垃圾邮件发送者检测方法，其特征在于，帖子的偶然关系表示为：，其中/>和/>为参数，/>为第τ次采样轮次的注意力权重，/>为邮件第τ条步行路径的当前过渡轮中的隐藏状态。
4.如权利要求2或3所述的一种基于神经网络的垃圾邮件发送者检测方法，其特征在于，隐藏状态表示为：，其中/>是第m轮的网络状态向量，通过对第(m-1)轮和第m轮之间的转换关系进行建模得到，/>表示将上一步的状态按比例加到本步状态中。
5.如权利要求4所述的一种基于神经网络的垃圾邮件发送者检测方法，其特征在于，将用户的数值属性和固定属性分别编码为和/>；对于贴子的语义，引入双向注意编码结构从两个方向对单词序列进行建模：/>，，将其编码为向量，其中/>为ReLU激活函数，/>表示级联操作，z表示每个句子里第z个单词的索引，/>表示前一个单词的代表向量，/>表示后一个单词的代表向量，/>为参数，/>表示第i个句子里包含z个词的词向量。
6.如权利要求5所述的一种基于神经网络的垃圾邮件发送者检测方法，其特征在于，交互边缘特征的代表向量由三部分组成：用户之间的固有关系、用户之间的潜在关系和帖子之间的关系，顶点特征的代表向量是通过连接和/>获得的：/>，/>表示最终代表向量。
7.如权利要求6所述的一种基于神经网络的垃圾邮件发送者检测方法，其特征在于，通过连接、/>和/>获得交互边缘特征的代表向量：/>，为用户社会关系映射的代表向量，/>表示节点用户的偶然关系，/>表示帖子的偶然关系。
8.如权利要求6所述的一种基于神经网络的垃圾邮件发送者检测方法，其特征在于，所有的K个处理层后面都有一个全连接的神经映射函数来生成一个中间判别向量，该过程表示为：/>，其中/>为ReLU激活函数，和/>是参数，/>是帖子的注意力向量，/>是一个响应函数，表示用户/>和帖子/>之间的交互状态，p表示每层神经网络的节点个数，/>表示图神经网络结构第K个处理层的隐藏状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311642220.XA CN117354274A (zh) | 2023-12-04 | 2023-12-04 | 一种基于神经网络的垃圾邮件发送者检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311642220.XA CN117354274A (zh) | 2023-12-04 | 2023-12-04 | 一种基于神经网络的垃圾邮件发送者检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117354274A true CN117354274A (zh) | 2024-01-05 |
Family
ID=89365249
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311642220.XA Pending CN117354274A (zh) | 2023-12-04 | 2023-12-04 | 一种基于神经网络的垃圾邮件发送者检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117354274A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110173142A1 (en) * | 2010-01-12 | 2011-07-14 | Yahoo! Inc. | Apparatus and methods for classifying senders of unsolicited bulk emails |
| CN104270304A (zh) * | 2014-10-14 | 2015-01-07 | 四川神琥科技有限公司 | 一种图像邮件的检测分析方法 |
| CN109889436A (zh) * | 2019-02-20 | 2019-06-14 | 北京航空航天大学 | 一种社交网络中垃圾邮件发送者的发现方法 |
| CN111698201A (zh) * | 2020-04-26 | 2020-09-22 | 西安交大捷普网络科技有限公司 | 数据防泄密检测方法与设备 |
| CN115037542A (zh) * | 2022-06-09 | 2022-09-09 | 北京天融信网络安全技术有限公司 | 一种异常邮件检测方法及装置 |
| CN115225358A (zh) * | 2022-07-13 | 2022-10-21 | 杭州安恒信息技术股份有限公司 | 一种收集垃圾邮件的方法、装置、设备及可读存储介质 |
| CN115718831A (zh) * | 2022-12-08 | 2023-02-28 | 人民网股份有限公司 | 基于动态异质图的社交媒体机器人检测方法及相关装置 |
| CN116723005A (zh) * | 2023-05-23 | 2023-09-08 | 华中科技大学 | 多态隐藏下的恶意代码隐式情报追踪方法及系统 |
-
2023
- 2023-12-04 CN CN202311642220.XA patent/CN117354274A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110173142A1 (en) * | 2010-01-12 | 2011-07-14 | Yahoo! Inc. | Apparatus and methods for classifying senders of unsolicited bulk emails |
| CN104270304A (zh) * | 2014-10-14 | 2015-01-07 | 四川神琥科技有限公司 | 一种图像邮件的检测分析方法 |
| CN109889436A (zh) * | 2019-02-20 | 2019-06-14 | 北京航空航天大学 | 一种社交网络中垃圾邮件发送者的发现方法 |
| CN111698201A (zh) * | 2020-04-26 | 2020-09-22 | 西安交大捷普网络科技有限公司 | 数据防泄密检测方法与设备 |
| CN115037542A (zh) * | 2022-06-09 | 2022-09-09 | 北京天融信网络安全技术有限公司 | 一种异常邮件检测方法及装置 |
| CN115225358A (zh) * | 2022-07-13 | 2022-10-21 | 杭州安恒信息技术股份有限公司 | 一种收集垃圾邮件的方法、装置、设备及可读存储介质 |
| CN115718831A (zh) * | 2022-12-08 | 2023-02-28 | 人民网股份有限公司 | 基于动态异质图的社交媒体机器人检测方法及相关装置 |
| CN116723005A (zh) * | 2023-05-23 | 2023-09-08 | 华中科技大学 | 多态隐藏下的恶意代码隐式情报追踪方法及系统 |
Non-Patent Citations (5)
| Title |
|---|
| BANSI R. SAVALIYA; C. GEORGE PHILIP: "Email fraud detection by identifying email sender", 《2017 INTERNATIONAL CONFERENCE ON ENERGY, COMMUNICATION, DATA ANALYTICS AND SOFT COMPUTING (ICECDS)》, 21 June 2018 (2018-06-21) * |
| ZHIWEI GUO, LIANGGUI TANG, TAN GUO, KEPING YU, MAMOUN ALAZAB, ANDRII SHALAGINOV: "Deep Graph neural network-based spammer detection under the perspective of heterogeneous cyberspace", ELSEVIER, 4 December 2020 (2020-12-04), pages 206 - 210 * |
| ZHIWEI GUO; YU SHEN; ALI KASHIF BASHIR; MUHAMMAD IMRAN; NEERAJ KUMAR; DI ZHANG; KEPING YU: "ust Spammer Detection Using Collaborative Neural Network in Internet-of-Things Application", IEEE INTERNET OF THINGS JOURNAL, 15 June 2021 (2021-06-15) * |
| ZHIWEI GUO；LIANGGUI TANG； TAN GUO；KEPING YU C； MAMOUN ALAZAB；ANDRII SHALAGINOV: "Deep Graph neural network-based spammer detection under the perspective of heterogeneous cyberspace", FUTURE GENERATION COMPUTER SYSTEMS, 4 December 2020 (2020-12-04), pages 206 - 210 * |
| 陈琴;梁家荣;: "基于遗传算法和发送行为的垃圾邮件检测模型", 广西大学学报(自然科学版), no. 06, 20 December 2010 (2010-12-20) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112529168B (zh) | 一种基于gcn的属性多层网络表示学习方法 | |
| CN110472042B (zh) | 一种细粒度情感分类方法 | |
| Quilodrán-Casas et al. | Digital twins based on bidirectional LSTM and GAN for modelling the COVID-19 pandemic | |
| CN111753207B (zh) | 一种基于评论的神经图协同过滤方法 | |
| CN113191144B (zh) | 一种基于传播影响力的网络谣言识别系统及方法 | |
| CN112256981B (zh) | 一种基于线性和非线性传播的谣言检测方法 | |
| CN107220180A (zh) | 一种基于神经网络语言模型的代码分类方法 | |
| CN114942998B (zh) | 融合多源数据的知识图谱邻域结构稀疏的实体对齐方法 | |
| CN112667920A (zh) | 基于文本感知的社交影响力预测方法、装置及设备 | |
| CN112329444A (zh) | 融合文本和传播结构的早期谣言检测方法 | |
| CN112100486B (zh) | 一种基于图模型的深度学习推荐系统及其方法 | |
| Shao et al. | Link prediction algorithms for social networks based on machine learning and HARP | |
| CN115204171A (zh) | 基于超图神经网络的文档级事件抽取方法及系统 | |
| CN112052940A (zh) | 基于向量压缩与重构的社交网络特征动态提取方法 | |
| CN117272195A (zh) | 基于图卷积注意力网络的区块链异常节点检测方法及系统 | |
| CN115147931A (zh) | 基于detr的人物成对解码交互的人与物交互检测方法 | |
| CN113536798B (zh) | 一种多实例文档关键信息抽取方法和系统 | |
| AU2021102006A4 (en) | A system and method for identifying online rumors based on propagation influence | |
| CN110910235A (zh) | 一种基于用户关系网络的贷中异常行为检测方法 | |
| CN117743597A (zh) | 社交网络中社交机器人的检测方法、系统、设备及介质 | |
| CN112784831A (zh) | 融合多层特征增强注意力机制的文字识别方法 | |
| CN117354274A (zh) | 一种基于神经网络的垃圾邮件发送者检测方法 | |
| CN116701781A (zh) | 一种基于图卷积神经网络的物品同质图邻域聚合推荐算法 | |
| CN116541906A (zh) | 一种基于知识图谱的中性几何模型装配特征语义构建方法 | |
| CN116257786A (zh) | 一种基于多元时序图结构的异步时间序列分类方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20240105 |