一种网络信息平台中异常用户检测方法及系统

专利主权项内容

1.一种网络信息平台中异常用户检测方法，其特征在于，包括如下步骤：S1：收集网络信息平台数据，构建用户属性网络；将网络信息平台中的用户信息建模为属性网络G＝{V, ε, A, X}，其中V＝{v, v, …, v}表示节点的集合，n表示节点的数量；ε∈{ε, ε}表示边的集合，其中ε表示同质边，ε表示异质边；表示邻接矩阵，当A＝1时表示v节点和v节点间存在一条边；/>表示特征矩阵，每个节点v的特征向量是x，其维度是d；将网络信息平台中的每个用户看作属性网络中的一个节点，用属性网络中节点的特征向量表示每个用户各自带有的属性，用户与用户之间的交互看作是属性网络中的连边；所述同质边即连接该边的两个节点同为正常节点或异常节点，异质边即连接该边的两个节点一个是正常节点，另一个是异常节点；将异常节点作为正样本，正常节点作为负样本，即异常节点的标签为1，正常节点的标签为0，用户的属性包括用户的性别、年龄段、家庭住址、职业；12n+-+-ijijiiS2：计算边的连接类型，判断属于同质边或异质边，具体为：S2-1：对于每条e∈ε的边，通过连接该条边的两个节点的特征向量计算该条边的类型；表示第l层节点嵌入向量的集合，/>表示第i个节点的嵌入向量，d表示第l层嵌入向量的维度，H＝X；对于第l个卷积层，首先通过公式(1)(2)对上一层节点的嵌入向量进行线性变换：uvl0其中，和/>分别是节点u和v在(l-1)层的嵌入向量，/>是可学习的参数矩阵；S2-2：利用变换后的嵌入向量的连接值和插值作为该边上的信息，具体实现过程如公式(3)所示：其中，表示可学习的参数矩阵，[.||.]表示连接操作；S2-3：通过公式(4)取出的符号作为该条边的类型：如果则e∈ε，即e是一条同质边；如果/>则e∈ε，即e是一条异质边；uv+uvuv-uvS3：基于连边类型计算源节点和目的节点的注意力分数，再利用图卷积神经网络GCN对邻接矩阵A进行卷积运算，聚合邻居节点的特征向量；所述S3具体包括：S3-1：通过S2得到每条边的连接类型后，按照公式(5)利用每条边的连接类型和S2中线性变换后的嵌入向量与/>计算源节点u对目的节点v的注意力分数：其中，是一个可学习的权重矩阵，LeakyReLU(·)是一个激活函数；S3-2：利用公式(6)对具有不同注意力分数和连接类型的源节点进行聚合，以得到目标节点的嵌入向量：其中，N(v)表示目标节点v的邻居节点的集合；S4：引入对比学习设计损失函数，利用数据集进行模型训练；所述S4具体包括：S4-1：将数据集按40％、30％和40％的比例划分为训练集、验证集和测试集；S4-2：引入对比学习：对每个节点构造一个实例对D＝(v, p, Q)，其中v是目标节点，p是正样本，是负样本的集合；对于一个节点，其正样本为邻居节点中具有同质连接的节点，负样本为邻居节点中具有异质连接的节点；为每个节点构造实例对后，使用InfoNCE函数公式(7)计算损失函数，使当损失函数最低时，目标节点与正样本节点更相似，而与负样本节点差异更大；iiiiiiS4-3：为解决样本不平衡问题，使用公式(8)的Focal loss损失函数来优化模型：其中，γ是调制系数，为常数，α是正负样本的权重，为常数，p表示预测结果；tS4-4：对于边类型的计算结果，使用有监督学习的方法进行优化；利用公式(9)的损失函数计算边类型损失：其中，ε表示边集，y表示对应边的类型，如果u和v的标签相同，则y＝1，e是同质边；否则y＝-1，e是异质边；tuvuvuvuvuvS4-5：模型的整体损失函数如下：其中，γ和γ是平衡参数，L表示模型的层数；12S5：检测异常用户；将待测数据集输入到训练好的模型中，输出异常用户数据。