申请/专利权人:杭州电子科技大学
申请日:2023-12-18
公开(公告)日:2024-03-12
公开(公告)号:CN117688535A
主分类号:G06F21/31
分类号:G06F21/31;G06F18/20;G06N3/0475;G06N3/094;G06N3/098;G06N3/042
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.03.29#实质审查的生效;2024.03.12#公开
摘要:本发明公开了一种基于横向图联邦学习的违规自媒体用户识别方法及系统,方法如下:S1:获取用户历史数据,将用户划分为正常用户、违规用户,并提取相应的用户特征;S2:将用户历史数据进行预处理后,生成图数据;S3:用图数据在媒体平台训练GNN模型,再将不同媒体平台作为客户端进行横向图联邦学习,得到违规自媒体用户识别模型;S4:将待识别用户图数据输入违规用户识别模型,若判定为违规,则输出警告信息,若在整改时间后仍被认定为违规用户,则进行审核,若审核判定为违规,则封号;若审核结果为正常,则将误判为违规用户的历史数据作为训练样本,更新用户所属平台的模型参数,并上传给服务器进行全局模型更新。
主权项:1.基于横向图联邦学习的违规自媒体用户识别方法,其特征在于包括如下步骤:步骤S1:获取用户历史数据,将用户划分为正常用户、违规用户,并提取相应的用户特征;步骤S2:将步骤S1中的用户历史数据进行预处理后,生成图数据;步骤S3:用步骤S2的图数据在媒体平台训练GNN模型,再将不同媒体平台作为客户端进行横向图联邦学习,得到违规自媒体用户识别模型;步骤S4:将待识别用户图数据输入步骤S3的违规自媒体用户识别模型,若判定为违规用户,则输出警告信息,若该用户在设定的整改时间后仍被认定为违规用户,则进行审核,若审核判定为违规,则进行封号;若审核结果为正常,则将误判为违规用户的历史数据作为训练样本,更新用户所属平台的模型参数,并上传给服务器进行全局模型更新。
全文数据:
权利要求:
百度查询: 杭州电子科技大学 基于横向图联邦学习的违规自媒体用户识别方法及系统
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。