申请/专利权人：之江实验室;华东师范大学

申请日：2021-03-29

公开（公告）日：2024-03-19

公开（公告）号：CN113537272B

主分类号：G06F18/2415

分类号：G06F18/2415;G06F18/214;G06N3/045;G06N3/042;G06N3/0464;G06N3/0895;G06Q50/00

优先权：

专利状态码：有效-授权

法律状态：2024.03.19#授权;2021.11.09#实质审查的生效;2021.10.22#公开

摘要：本发明公开了一种基于深度学习的半监督社交网络异常账号检测方法，首先构建社交网络账号图，对部分账号进行标签标记，采用文本特征提取方法对每个账号的属性信息进行特征提取，得到账号属性的文本特征，同时获取社交网络的邻接矩阵，构建基于深度学习的属性特征映射网络和结构特征映射网络，采用账号属性的文本特征对属性特征映射网络进行训练，采用账号属性的文本特征和邻接矩阵对结构特征映射网络进行训练，在对账号进行异常检测时，根据该账号的属性向量和结构向量计算得到评价分数，与评价阈值比较得到异常检测结果。本发明可以实现对社交网络中相互关联的账号中的异常账号的自动发现。

主权项：1.一种基于深度学习的半监督社交网络异常账号检测方法，其特征在于，包括以下步骤：S1：当需要对某个社交网络中的账号进行异常检测时，获取该社交网络的账号信息，构建社交网络账号图G＝V,E,X，其中V表示社交网络中所有账号所构成的集合，E表示社交网络中账号之间的所有边构成的集合，当两个账号产生交互行为则在这两个账号之间产生边，X表示所有账号的属性信息所构成的集合，其中账号属性信息为文本信息；S2：从社交网络中选取若干账号并进行异常账号判断，如果是正常账号则标记正常标签，如果是异常账号则标记异常标签，从而获取有标签账户；S3：采用文本特征提取方法对每个账号的属性信息进行特征提取，得到账号属性的文本特征；S4：根据社交网络账号图G＝V,E,X生成社交网络的邻接矩阵；S5：根据需要构建基于深度学习的属性特征映射网络和结构特征映射网络，其中属性特征映射网络用于将账号属性的文本特征映射得到账号属性向量，结构特征映射网络用于将账号属性的文本特征所构成的文本特征矩阵结合社交网络的邻接矩阵映射得到账号结构特征；S6：设置属性特征映射网络输出属性向量的维数，并设置所有账户属性向量所构成的最小超球体的中心属性向量Ca，将各个账号属性的文本特征输入属性特征映射网络，得到各个账号对应的属性向量，然后将属性向量输入至预先设置好的分类器中，得到该账号为正常账号和异常账号的概率；然后计算步骤S2中得到的有标签账号的交叉熵损失和最小超球体损失，将两项损失进行加权求和作为训练的损失，对属性特征映射网络中的参数进行优化，实现对属性特征映射网络的训练；S7：设置结构特征映射网络输出结构向量的维数，并设置所有账户结构向量所构成的最小超球体的中心结构向量Cb，将各个账号属性的文本特征作为行向量构建得到文本特征矩阵，和邻接矩阵一起输入结构特征映射网络，得到所有账户的结构向量构成的结构矩阵，从结构矩阵中提取出每个行向量作为对应账户的结构向量，然后将结构向量输入至预先设置好的分类器中，得到该账号为正常账号和异常账号的概率；然后计算步骤S2中得到的有标签账号的交叉熵损失和最小超球体损失，将两项损失进行加权求和作为训练的损失，对结构特征映射网络中的参数进行优化，实现对结构特征映射网络的训练；S8：对于社交网络中的未标记标签账号，将步骤S3得到的账号属性信息的文本特征输入至步骤S6训练好的属性特征映射网络中，得到未标记标签账号对应的属性向量；将各个账号属性的文本特征作为行向量构建得到文本特征矩阵，和邻接矩阵一起输入步骤S7训练好的结构特征映射网络，得到所有账户的结构向量构成的结构矩阵，从中提取出未标记标签账号对应的结构向量；S9：对于需要进行异常检测的账号，计算该账号的属性向量与中心属性向量Ca之间的距离作为属性评价分数，并计算该账号的结构向量与中心结构向量Cb之间的距离作为结构评价分数，将属性评价分数和结构评价分数进行加权求和作为该账号的评价分数，当该评价分数大于预设的评价阈值时，则判断该账号为异常账号，否则为正常账号。

全文数据：

权利要求：

百度查询： 之江实验室;华东师范大学 基于深度学习的半监督社交网络异常账号检测方法

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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD