CN117763485A - 一种基于谱图分解的社交网络异常检测方法 - Google Patents
一种基于谱图分解的社交网络异常检测方法 Download PDFInfo
- Publication number
- CN117763485A CN117763485A CN202410194809.6A CN202410194809A CN117763485A CN 117763485 A CN117763485 A CN 117763485A CN 202410194809 A CN202410194809 A CN 202410194809A CN 117763485 A CN117763485 A CN 117763485A
- Authority
- CN
- China
- Prior art keywords
- representing
- social network
- anomaly detection
- network anomaly
- attention
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 112
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 29
- 230000005856 abnormality Effects 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 11
- 238000010586 diagram Methods 0.000 claims abstract description 9
- 238000002372 labelling Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 45
- 239000011159 matrix material Substances 0.000 claims description 31
- 230000004927 fusion Effects 0.000 claims description 30
- 239000013598 vector Substances 0.000 claims description 26
- 238000012360 testing method Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 5
- 230000002779 inactivation Effects 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 description 25
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000013507 mapping Methods 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
- 238000012545 processing Methods 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了社交网络异常检测技术领域的一种基于谱图分解的社交网络异常检测方法，包括如下步骤：步骤S1、获取大量的社交网络的历史图数据，对各所述历史图数据进行标准化的预处理以及标注后构建数据集；步骤S2、基于图结构预处理模块、结构注意力模块、节点注意力模块、自适应卷积模块以及预测输出模块创建一社交网络异常检测模型；步骤S3、基于所述数据集对社交网络异常检测模型进行训练，训练过程中不断优化所述社交网络异常检测模型的损失函数、优化器函数以及超参数；步骤S4、利用训练后的所述社交网络异常检测模型进行社交网络异常检测。本发明的优点在于：极大的提升了社交网络异常检测的准确率。
Description
技术领域
本发明涉及社交网络异常检测技术领域，特别指一种基于谱图分解的社交网络异常检测方法。
背景技术
随着社交媒体的广泛使用，每时每刻在各个社交网络（社交平台）都有大量的用户交互发生。在不断发展的社交网络中隐藏着一些异常和危险行为，如垃圾邮件、恶意评论等；由于现实世界中节点之间的复杂交互，使得检测图数据中的异常，比在非交互特征空间中的异常检测更具有挑战性。
异常检测任务旨在捕捉与正常数据分布、属性显著不同的数据点，当处理大规模、复杂的数据集时，如社交网络，识别异常或异常行为在实际中具有重要的应用价值。在社交网络的图数据的异常检测任务中，如何有效捕获异常信息并准确判断正常信息与异常信息之间的区别是主要任务；与普通的异常检测任务不同，图神经网络更注重利用图数据中的结构信息去捕获拓扑结构中存在的异常。
传统的图异常检测方法主要通过邻居节点的信息判断节点是否异常，然而由于信息传播时产生的过平滑现象，往往会造成异常信息的丢失，同时在传统图神经网络建模过程中，大部分模型仅通过局部学习邻居信息，无法充分捕获图数据中的长距离依赖信息，限制了模型的表达能力，导致在社交网络异常检测中的性能表现较差，影响社交网络异常检测的准确率。
因此，如何提供一种基于谱图分解的社交网络异常检测方法，实现提升社交网络异常检测的准确率，成为一个亟待解决的技术问题。
发明内容
本发明要解决的技术问题，在于提供一种基于谱图分解的社交网络异常检测方法，实现提升社交网络异常检测的准确率。
本发明是这样实现的：一种基于谱图分解的社交网络异常检测方法，包括如下步骤：
步骤S1、获取大量的社交网络的历史图数据，对各所述历史图数据进行标准化的预处理以及标注后构建数据集；
步骤S2、基于图结构预处理模块、结构注意力模块、节点注意力模块、自适应卷积模块以及预测输出模块创建一社交网络异常检测模型；
所述图结构预处理模块用于从图数据中提取各节点的邻接矩阵，对各所述邻接矩阵进行谱图分解，得到对应的特征值以及特征向量，对所述特征值进行编码以从标量映射为向量，得到特征值矩阵，再对所述特征值和特征值矩阵进行拼接得到图结构特征，将所述图结构特征输入结构注意力模块；
所述结构注意力模块用于从图结构特征中提取结构注意力特征；
所述节点注意力模块用于从图数据中提取各节点的特征信息，从所述特征信息中提取输出特征，基于所述输出特征以及特征信息提取节点注意力特征；
所述自适应卷积模块用于对结构注意力特征以及节点注意力特征进行卷积融合，得到融合特征；
所述预测输出模块用于对融合特征进行线性变换以及归一化后，输出社交网络异常检测结果；
步骤S3、基于所述数据集对社交网络异常检测模型进行训练，训练过程中不断优化所述社交网络异常检测模型的损失函数、优化器函数以及超参数；
步骤S4、利用训练后的所述社交网络异常检测模型进行社交网络异常检测。
进一步的，所述步骤S2中，所述图结构预处理模块进行谱图分解的公式为：；
其中，E表示特征值集合的转置，，/>表示第N个特征值；/>表示特征向量，/>，R表示实数，N表示图数据的节点个数；/>表示谱图分解函数；A表示邻接矩阵，且/>；
所述对特征值进行编码的公式为：；
其中，表示特征值矩阵；/>表示特征值，取值范围为邻接矩阵分解的特征值；i表示节点的特征维度，取值范围为/>，d为正整数；/>表示超参数；
所述对特征值和特征值矩阵进行拼接的公式为：；
其中，表示图结构特征，/>；/>表示拼接操作；/>表示可学习的权重矩阵，/>。
进一步的，所述步骤S2中，所述结构注意力模块提取结构注意力特征的公式为：；
其中，表示结构注意力特征，/>，R表示实数，N表示图数据的节点个数；/>表示归一化指数函数；/>表示图结构特征，/>，d为正整数；/>表示图结构特征的转置；/>表示可学习的权重矩阵，/>。
其中，表示结构注意力特征，/>，R表示实数，N表示图数据的节点个数；/>表示归一化指数函数；/>表示图结构特征，/>，d为正整数；/>表示图结构特征的转置；/>表示可学习的权重矩阵，/>。
进一步的，所述步骤S2中，所述节点注意力模块提取输出特征的公式为：；
其中，表示输出特征，/>，R表示实数，N表示图数据的节点个数，d为正整数；/>表示归一化指数函数；/>表示特征信息，/>；，均表示可学习的权重矩阵；
所述基于输出特征以及特征信息提取节点注意力特征的公式为：；
其中，表示节点注意力特征，/>；/>表示多层感知机；/>表示标准归一化函数；/>表示哈达玛乘积。
进一步的，所述步骤S2中，所述自适应卷积模块进行卷积融合的公式为：；/>；
其中，表示特征向量；/>表示特征向量的转置；/>表示结构注意力特征；/>表示对结构注意力特征进行重构得到的重构特征；/>表示随机丢弃函数；/>表示节点注意力特征；/>表示自适应学习权重矩阵，/>，R表示实数，d为正整数，表示超参数；/>表示融合特征，/>，N表示图数据的节点个数。
进一步的，所述步骤S2中，所述预测输出模块输出社交网络异常检测结果的公式为：；
其中，P表示社交网络异常检测结果，，R表示实数，N表示图数据的节点个数；/>表示归一化指数函数；/>表示融合特征；/>表示权重向量，/>，/>表示超参数；b表示偏置，/>。
进一步的，所述步骤S3中，所述损失函数为交叉熵损失函数，公式为：；
其中，表示损失值；/>表示交叉熵损失函数；Y表示图数据的节点标注的标签，/>，/>表示第n个节点的标签；P表示社交网络异常检测结果，/>，/>表示第n个节点的社交网络异常检测结果。
进一步的，所述步骤S3中，所述超参数至少包括随机失活率、权值衰减率以及学习率。
进一步的，所述步骤S3中，所述基于数据集对社交网络异常检测模型进行训练具体为：
基于4：2：4的比例将所述数据集划分为训练集、验证集以及测试集，利用所述训练集对社交网络异常检测模型进行训练，训练过程中不断优化所述社交网络异常检测模型的损失函数、优化器函数以及超参数，直至满足预设的收敛条件；
利用所述验证集对训练后的社交网络异常检测模型进行验证后，再利用所述测试集对验证后的社交网络异常检测模型进行测试，若测试通过，则结束所述社交网络异常检测模型的训练；若测试不通过，则扩充所述训练集继续对社交网络异常检测模型进行训练。
本发明的优点在于：
通过获取大量的社交网络的历史图数据进行标准化的预处理以及标注后构建数据集，接着基于图结构预处理模块、结构注意力模块、节点注意力模块、自适应卷积模块以及预测输出模块创建一社交网络异常检测模型，基于数据集对社交网络异常检测模型进行训练，训练过程中不断优化社交网络异常检测模型的损失函数、优化器函数以及超参数，最后利用训练后的社交网络异常检测模型进行社交网络异常检测；其中的图结构预处理模块用于从图数据中提取各节点的邻接矩阵，对各邻接矩阵进行谱图分解，得到对应的特征值以及特征向量，对特征值进行编码以从标量映射为向量，得到特征值矩阵，再对特征值和特征值矩阵进行拼接得到图结构特征，将图结构特征输入结构注意力模块；结构注意力模块用于从图结构特征中提取结构注意力特征；节点注意力模块用于从图数据中提取各节点的特征信息，从特征信息中提取输出特征，基于输出特征以及特征信息提取节点注意力特征；自适应卷积模块用于对结构注意力特征以及节点注意力特征进行卷积融合，得到融合特征；预测输出模块用于对融合特征进行线性变换以及归一化后，输出社交网络异常检测结果；即通过谱图分解图数据的结构信息得到图结构特征，联合结构注意力模块捕获图结构特征中存在的异常信息得到结构注意力特征，使用特征向量对结构注意力特征进行重构，同时通过节点注意力模块捕获节点特征中存在的异常信息得到节点注意力特征，通过自适应卷积模块将重构后的结构注意力特征与捕获到节点注意力特征相互融合得到融合特征，最后基于融合特征输出社交网络异常检测结果，不仅可以更准确地捕获异常节点，而且可以更加有效地对正常节点和异常节点的特征表示进行区分，最终极大的提升了社交网络异常检测的准确率。
附图说明
下面参照附图结合实施例对本发明作进一步的说明。
图1是本发明一种基于谱图分解的社交网络异常检测方法的流程图。
图2是本发明社交网络异常检测模型的结构示意图。
具体实施方式
本申请实施例中的技术方案，总体思路如下：创建包括图结构预处理模块、结构注意力模块、节点注意力模块、自适应卷积模块以及预测输出模块的社交网络异常检测模型用于社交网络异常检测，社交网络异常检测模型通过谱图分解图数据的结构信息得到图结构特征，联合结构注意力模块捕获图结构特征中存在的异常信息得到结构注意力特征，使用特征向量对结构注意力特征进行重构，同时通过节点注意力模块捕获节点特征中存在的异常信息得到节点注意力特征，通过自适应卷积模块将重构后的结构注意力特征与捕获到节点注意力特征相互融合得到融合特征，最后基于融合特征输出社交网络异常检测结果，不仅可以更准确地捕获异常节点，而且可以更加有效地对正常节点和异常节点的特征表示进行区分，以提升社交网络异常检测的准确率。
请参照图1至图2所示，本发明一种基于谱图分解的社交网络异常检测方法的较佳实施例，包括如下步骤：
步骤S1、获取大量的社交网络的历史图数据，对各所述历史图数据进行标准化的预处理以及标注后构建数据集；所述历史图数据表示为G=(A,X)；
具体实施时，可选取存在异常节点的公共数据集Weibo，公共数据集Weibo展示了来自腾讯微博平台的用户及其相关标签的图数据；
步骤S2、基于图结构预处理模块、结构注意力模块、节点注意力模块、自适应卷积模块以及预测输出模块创建一社交网络异常检测模型；
为了有效的捕获图数据中存在的异常信息，从节点和边的角度出发，设置一个节点注意力模块和一个结构注意力模块分别用于学习节点表示（节点注意力特征）以及结构信息表示（结构注意力特征）；
所述图结构预处理模块用于从图数据中提取各节点的邻接矩阵，对各所述邻接矩阵进行谱图分解，得到对应的特征值以及特征向量，为了利用图数据的结构中存在的信息，对所述特征值进行编码以从标量映射为向量，得到特征值矩阵，即将所述特征值从一维向量映射为二维的特征值矩阵，再对所述特征值和特征值矩阵进行拼接得到图结构特征，将所述图结构特征输入结构注意力模块；
所述结构注意力模块用于从图结构特征中提取结构注意力特征；
所述节点注意力模块用于从图数据中提取各节点的特征信息，从所述特征信息中提取输出特征，基于所述输出特征以及特征信息提取节点注意力特征；
所述自适应卷积模块用于对结构注意力特征以及节点注意力特征进行卷积融合，得到融合特征；通过所述自适应卷积模块，在转换维度的同时可有效提高模型效率；
所述预测输出模块用于对融合特征进行线性变换以及归一化后，输出社交网络异常检测结果；
步骤S3、基于所述数据集对社交网络异常检测模型进行训练，训练过程中不断优化所述社交网络异常检测模型的损失函数、优化器函数以及超参数；
步骤S4、利用训练后的所述社交网络异常检测模型进行社交网络异常检测。
所述步骤S2中，所述图结构预处理模块进行谱图分解的公式为：；
其中，E表示特征值集合的转置，，/>表示第N个特征值；/>表示特征向量，/>，R表示实数，N表示图数据的节点个数；/>表示谱图分解函数；A表示邻接矩阵，且/>；如果节点i与节点j之间存在边，则/>，否则；
所述对特征值进行编码的公式为：；
其中，表示特征值矩阵；/>表示特征值，取值范围为邻接矩阵分解的特征值；i表示节点的特征维度，取值范围为/>，d为正整数；/>表示超参数；
所述对特征值和特征值矩阵进行拼接的公式为：；
其中，表示图结构特征，/>；/>表示拼接操作；/>表示可学习的权重矩阵，/>。
其中，表示图结构特征，/>；/>表示拼接操作；/>表示可学习的权重矩阵，/>。
所述步骤S2中，所述结构注意力模块提取结构注意力特征的公式为：；
其中，表示结构注意力特征，/>，R表示实数，N表示图数据的节点个数；表示归一化指数函数；/>表示图结构特征，/>，d为正整数；/>表示图结构特征的转置；/>表示可学习的权重矩阵，/>。
所述步骤S2中，所述节点注意力模块提取输出特征的公式为：；
其中，表示输出特征，/>，R表示实数，N表示图数据的节点个数，d为正整数；/>表示归一化指数函数；/>表示特征信息，/>；，均表示可学习的权重矩阵；
所述基于输出特征以及特征信息提取节点注意力特征的公式为：；
其中，表示节点注意力特征，/>；/>表示多层感知机；/>表示标准归一化函数；/>表示哈达玛乘积。即为了提高模型的训练速度以及稳定性，将所述输出特征与特征信息相互连接后，通过标准归一化函数改善模型的性能，再经过一个多层感知机实现维度的转换。
所述步骤S2中，所述自适应卷积模块进行卷积融合的公式为：；；
其中，表示特征向量；/>表示特征向量的转置；/>表示结构注意力特征；/>表示对结构注意力特征进行重构得到的重构特征；/>表示随机丢弃函数；/>表示节点注意力特征；/>表示自适应学习权重矩阵，/>，R表示实数，d为正整数，/>表示超参数；/>表示融合特征，/>，N表示图数据的节点个数。
通过将重构得到的所述重构特征与节点注意力特征相互融合，从而获取更加有效的特征表示，且通过自适应学习权重矩阵进行学习，使得模型可以在捕获异常节点的过程中对不同类型的节点进行学习。
所述步骤S2中，所述预测输出模块输出社交网络异常检测结果的公式为：；
其中，P表示社交网络异常检测结果，，R表示实数，N表示图数据的节点个数；/>表示归一化指数函数；/>表示融合特征；/>表示权重向量，/>，/>表示超参数；b表示偏置，/>。
所述步骤S3中，所述损失函数为交叉熵损失函数，公式为：；
其中，表示损失值；/>表示交叉熵损失函数；Y表示图数据的节点标注的标签，/>，/>表示第n个节点的标签；P表示社交网络异常检测结果，/>，/>表示第n个节点的社交网络异常检测结果。
所述步骤S3中，所述超参数至少包括随机失活率、权值衰减率以及学习率。
所述步骤S3中，所述基于数据集对社交网络异常检测模型进行训练具体为：
基于4：2：4的比例将所述数据集划分为训练集、验证集以及测试集，利用所述训练集对社交网络异常检测模型进行训练，训练过程中不断优化所述社交网络异常检测模型的损失函数、优化器函数以及超参数，直至满足预设的收敛条件；
利用所述验证集对训练后的社交网络异常检测模型进行验证后，再利用所述测试集对验证后的社交网络异常检测模型进行测试，若测试通过，则结束所述社交网络异常检测模型的训练；若测试不通过，则扩充所述训练集继续对社交网络异常检测模型进行训练。
使用度量指标AUC-ROC以及AUC-PR来评估所述社交网络异常检测模型的性能，所述社交网络异常检测模型在Weibo数据集的AUC-ROC和AUC-PR的检测准确率为99.1%和96.3%，超越了现有的最新模型，在异常检测的任务中有强大的学习能力，具体的评价指标数据如下表所示：
综上所述，本发明的优点在于：
通过获取大量的社交网络的历史图数据进行标准化的预处理以及标注后构建数据集，接着基于图结构预处理模块、结构注意力模块、节点注意力模块、自适应卷积模块以及预测输出模块创建一社交网络异常检测模型，基于数据集对社交网络异常检测模型进行训练，训练过程中不断优化社交网络异常检测模型的损失函数、优化器函数以及超参数，最后利用训练后的社交网络异常检测模型进行社交网络异常检测；其中的图结构预处理模块用于从图数据中提取各节点的邻接矩阵，对各邻接矩阵进行谱图分解，得到对应的特征值以及特征向量，对特征值进行编码以从标量映射为向量，得到特征值矩阵，再对特征值和特征值矩阵进行拼接得到图结构特征，将图结构特征输入结构注意力模块；结构注意力模块用于从图结构特征中提取结构注意力特征；节点注意力模块用于从图数据中提取各节点的特征信息，从特征信息中提取输出特征，基于输出特征以及特征信息提取节点注意力特征；自适应卷积模块用于对结构注意力特征以及节点注意力特征进行卷积融合，得到融合特征；预测输出模块用于对融合特征进行线性变换以及归一化后，输出社交网络异常检测结果；即通过谱图分解图数据的结构信息得到图结构特征，联合结构注意力模块捕获图结构特征中存在的异常信息得到结构注意力特征，使用特征向量对结构注意力特征进行重构，同时通过节点注意力模块捕获节点特征中存在的异常信息得到节点注意力特征，通过自适应卷积模块将重构后的结构注意力特征与捕获到节点注意力特征相互融合得到融合特征，最后基于融合特征输出社交网络异常检测结果，不仅可以更准确地捕获异常节点，而且可以更加有效地对正常节点和异常节点的特征表示进行区分，最终极大的提升了社交网络异常检测的准确率。
虽然以上描述了本发明的具体实施方式，但是熟悉本技术领域的技术人员应当理解，我们所描述的具体的实施例只是说明性的，而不是用于对本发明的范围的限定，熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化，都应当涵盖在本发明的权利要求所保护的范围内。
Claims (9)
1.一种基于谱图分解的社交网络异常检测方法，其特征在于：包括如下步骤：
步骤S1、获取大量的社交网络的历史图数据，对各所述历史图数据进行标准化的预处理以及标注后构建数据集；
步骤S2、基于图结构预处理模块、结构注意力模块、节点注意力模块、自适应卷积模块以及预测输出模块创建一社交网络异常检测模型；
所述图结构预处理模块用于从图数据中提取各节点的邻接矩阵，对各所述邻接矩阵进行谱图分解，得到对应的特征值以及特征向量，对所述特征值进行编码以从标量映射为向量，得到特征值矩阵，再对所述特征值和特征值矩阵进行拼接得到图结构特征，将所述图结构特征输入结构注意力模块；
所述结构注意力模块用于从图结构特征中提取结构注意力特征；
所述节点注意力模块用于从图数据中提取各节点的特征信息，从所述特征信息中提取输出特征，基于所述输出特征以及特征信息提取节点注意力特征；
所述自适应卷积模块用于对结构注意力特征以及节点注意力特征进行卷积融合，得到融合特征；
所述预测输出模块用于对融合特征进行线性变换以及归一化后，输出社交网络异常检测结果；
步骤S3、基于所述数据集对社交网络异常检测模型进行训练，训练过程中不断优化所述社交网络异常检测模型的损失函数、优化器函数以及超参数；
步骤S4、利用训练后的所述社交网络异常检测模型进行社交网络异常检测。
2.如权利要求1所述的一种基于谱图分解的社交网络异常检测方法，其特征在于：所述步骤S2中，所述图结构预处理模块进行谱图分解的公式为：；
其中，E表示特征值集合的转置，，/>表示第N个特征值；/>表示特征向量，/>，R表示实数，N表示图数据的节点个数；/>表示谱图分解函数；A表示邻接矩阵，且/>；
所述对所述特征值进行编码的公式为：；
其中，表示特征值矩阵；/>表示特征值，取值范围为邻接矩阵分解的特征值；i表示节点的特征维度，取值范围为/>，d为正整数；/>表示超参数；
所述对特征值和特征值矩阵进行拼接的公式为：；
其中，表示图结构特征，/>；/>表示拼接操作；/>表示可学习的权重矩阵，/>。
3.如权利要求1所述的一种基于谱图分解的社交网络异常检测方法，其特征在于：所述步骤S2中，所述结构注意力模块提取结构注意力特征的公式为：；
其中，表示结构注意力特征，/>，R表示实数，N表示图数据的节点个数；表示归一化指数函数；/>表示图结构特征，/>，d为正整数；/>表示图结构特征的转置；/>表示可学习的权重矩阵，/>。
4.如权利要求1所述的一种基于谱图分解的社交网络异常检测方法，其特征在于：所述步骤S2中，所述节点注意力模块提取输出特征的公式为：；
其中，表示输出特征，/>，R表示实数，N表示图数据的节点个数，d为正整数；/>表示归一化指数函数；/>表示特征信息，/>；，均表示可学习的权重矩阵；
所述基于所述输出特征以及特征信息提取节点注意力特征的公式为：；
其中，表示节点注意力特征，/>；/>表示多层感知机；/>表示标准归一化函数；/>表示哈达玛乘积。
5.如权利要求1所述的一种基于谱图分解的社交网络异常检测方法，其特征在于：所述步骤S2中，所述自适应卷积模块进行卷积融合的公式为：；；
其中，表示特征向量；/>表示特征向量的转置；/>表示结构注意力特征；/>表示对结构注意力特征进行重构得到的重构特征；/>表示随机丢弃函数；/>表示节点注意力特征；/>表示自适应学习权重矩阵，R表示实数，d为正整数，/>表示超参数；/>表示融合特征，/>，N表示图数据的节点个数。
6.如权利要求1所述的一种基于谱图分解的社交网络异常检测方法，其特征在于：所述步骤S2中，所述预测输出模块输出社交网络异常检测结果的公式为：；
其中，P表示社交网络异常检测结果，，/>，R表示实数，N表示图数据的节点个数；/>表示归一化指数函数；/>表示融合特征；/>表示权重向量，/>，/>表示超参数；b表示偏置，/>。
7.如权利要求1所述的一种基于谱图分解的社交网络异常检测方法，其特征在于：所述步骤S3中，所述损失函数为交叉熵损失函数，公式为：；
其中，表示损失值；/>表示交叉熵损失函数；Y表示图数据的节点标注的标签，/>，/>表示第n个节点的标签；P表示社交网络异常检测结果，，/>表示第n个节点的社交网络异常检测结果。
8.如权利要求1所述的一种基于谱图分解的社交网络异常检测方法，其特征在于：所述步骤S3中，所述超参数至少包括随机失活率、权值衰减率以及学习率。
9.如权利要求1所述的一种基于谱图分解的社交网络异常检测方法，其特征在于：所述步骤S3中，所述基于所述数据集对社交网络异常检测模型进行训练具体为：
基于4：2：4的比例将所述数据集划分为训练集、验证集以及测试集，利用所述训练集对社交网络异常检测模型进行训练，训练过程中不断优化所述社交网络异常检测模型的损失函数、优化器函数以及超参数，直至满足预设的收敛条件；
利用所述验证集对训练后的社交网络异常检测模型进行验证后，再利用所述测试集对验证后的社交网络异常检测模型进行测试，若测试通过，则结束所述社交网络异常检测模型的训练；若测试不通过，则扩充所述训练集继续对社交网络异常检测模型进行训练。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410194809.6A CN117763485A (zh) | 2024-02-22 | 2024-02-22 | 一种基于谱图分解的社交网络异常检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410194809.6A CN117763485A (zh) | 2024-02-22 | 2024-02-22 | 一种基于谱图分解的社交网络异常检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117763485A true CN117763485A (zh) | 2024-03-26 |
Family
ID=90314810
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410194809.6A Pending CN117763485A (zh) | 2024-02-22 | 2024-02-22 | 一种基于谱图分解的社交网络异常检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117763485A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111367961A (zh) * | 2020-02-27 | 2020-07-03 | 西安交通大学 | 基于图卷积神经网络的时序数据事件预测方法、系统及其应用 |
| CN111931505A (zh) * | 2020-05-22 | 2020-11-13 | 北京理工大学 | 一种基于子图嵌入的跨语言实体对齐方法 |
| CN112070054A (zh) * | 2020-09-17 | 2020-12-11 | 福州大学 | 基于图结构与注意力机制的车载激光点云标线分类方法 |
| CN113792937A (zh) * | 2021-09-29 | 2021-12-14 | 中国人民解放军国防科技大学 | 一种基于图神经网络的社交网络影响力预测方法、装置 |
| US20220414792A1 (en) * | 2021-06-24 | 2022-12-29 | Jinan University | Social recommendation method based on multi-feature heterogeneous graph neural networks |
| CN116304773A (zh) * | 2023-01-29 | 2023-06-23 | 南通大学 | 基于图神经网络的社区发现方法 |
| CN117237140A (zh) * | 2023-10-07 | 2023-12-15 | 兰州理工大学 | 一种融合图卷积神经网络和Transformer的社交网络影响力最大化方法 |
-
2024
- 2024-02-22 CN CN202410194809.6A patent/CN117763485A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111367961A (zh) * | 2020-02-27 | 2020-07-03 | 西安交通大学 | 基于图卷积神经网络的时序数据事件预测方法、系统及其应用 |
| CN111931505A (zh) * | 2020-05-22 | 2020-11-13 | 北京理工大学 | 一种基于子图嵌入的跨语言实体对齐方法 |
| CN112070054A (zh) * | 2020-09-17 | 2020-12-11 | 福州大学 | 基于图结构与注意力机制的车载激光点云标线分类方法 |
| US20220414792A1 (en) * | 2021-06-24 | 2022-12-29 | Jinan University | Social recommendation method based on multi-feature heterogeneous graph neural networks |
| CN113792937A (zh) * | 2021-09-29 | 2021-12-14 | 中国人民解放军国防科技大学 | 一种基于图神经网络的社交网络影响力预测方法、装置 |
| CN116304773A (zh) * | 2023-01-29 | 2023-06-23 | 南通大学 | 基于图神经网络的社区发现方法 |
| CN117237140A (zh) * | 2023-10-07 | 2023-12-15 | 兰州理工大学 | 一种融合图卷积神经网络和Transformer的社交网络影响力最大化方法 |
Non-Patent Citations (5)
| Title |
|---|
| LIGHTINK2020: ""[论文笔记]GRAPH ATTENTION NETWORKS(GAT) 图注意力网络原理"", Retrieved from the Internet <URL:https://blog.csdn.net/qianxie1/article/details/120811549> * |
| NOTANUMBB: ""【ACL19 论文笔记】AGGCN：基于注意力导向图卷积神经网络的关系提取模型"", Retrieved from the Internet <URL:https://zhuanlan.zhihu.com/p/364330167> * |
| 杨佩佩: ""基于图神经网络的在线社交网络恶意用户检测"", 《中国优秀硕士论文全文数据库 信息科技辑》, no. 02, 15 February 2022 (2022-02-15) * |
| 林宏刚 等: ""基于图神经网络的P2P僵尸网络检测方法"", 《工程科学与技术》, vol. 54, no. 02, 11 March 2022 (2022-03-11) * |
| 王卫宾: ""基于图神经网络的谣言与垃圾用户检测方法研究"", 《中国优秀硕士论文全文数据库 信息科技辑》, no. 06, 16 June 2023 (2023-06-16) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7010641B2 (ja) | 異常診断方法および異常診断装置 | |
| CN113961759B (zh) | 基于属性图表示学习的异常检测方法 | |
| CN112231562A (zh) | 一种网络谣言识别方法及系统 | |
| CN109978079A (zh) | 一种改进的堆栈降噪自编码器的数据清洗方法 | |
| CN115269357A (zh) | 一种基于调用链的微服务异常检测方法 | |
| CN108537259A (zh) | 基于粗糙集-神经网络模型的列控车载设备故障分类与识别方法 | |
| Idrissi et al. | An unsupervised generative adversarial network based-host intrusion detection system for internet of things devices | |
| CN115185736B (zh) | 基于图卷积神经网络的微服务调用链异常检测方法及装置 | |
| CN112217674B (zh) | 基于因果网络挖掘和图注意力网络的告警根因识别方法 | |
| CN110334105B (zh) | 一种基于Storm的流数据异常检测方法 | |
| CN113628059A (zh) | 一种基于多层图注意力网络的关联用户识别方法及装置 | |
| CN110334478A (zh) | 机器设备异常检测模型构建方法、检测方法及模型 | |
| CN113361559A (zh) | 基于深宽度联合神经网络的多模态数据知识信息提取方法 | |
| CN117076171A (zh) | 一种面向多元时序数据的异常检测及定位方法及装置 | |
| CN115310837A (zh) | 基于因果图注意力神经网络的复杂机电系统故障检测方法 | |
| CN116306780B (zh) | 一种动态图链接生成方法 | |
| CN116628554B (zh) | 一种工业互联网数据异常的检测方法、系统和设备 | |
| CN116909788A (zh) | 一种任务导向和视角不变的多模态故障诊断方法及系统 | |
| CN115130663B (zh) | 基于图神经网络和注意力机制的异质网络属性补全方法 | |
| 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 | |
| CN117763485A (zh) | 一种基于谱图分解的社交网络异常检测方法 | |
| CN116668105A (zh) | 一种结合工控安全知识图谱的攻击路径推理系统 | |
| CN114265954B (zh) | 基于位置与结构信息的图表示学习方法 | |
| CN113191144B (zh) | 一种基于传播影响力的网络谣言识别系统及方法 | |
| CN113986636A (zh) | 一种基于硬盘自适应报告数据的数据中心硬盘故障预测方法 |
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 |