申请/专利权人：合肥工业大学

申请日：2023-06-20

公开（公告）日：2024-03-22

公开（公告）号：CN116737934B

主分类号：G06F16/35

分类号：G06F16/35;G06F18/214;G06F16/9536;G06F18/241;G06N3/04;G06N3/0895

优先权：

专利状态码：有效-授权

法律状态：2024.03.22#授权;2023.09.29#实质审查的生效;2023.09.12#公开

摘要：本发明公开了一种基于半监督图神经网络的水军虚假评论检测方法。首先，从真实的英文网Amazon评论数据中选取三个关系进行多关系图构建。然后，以目标节点评论v为例，通过设计的基于注意力机制的消息聚合函数模块，得到的聚合过邻居节点信息后的目标节点v的特征表征。随后，在多维度空间中，利用对比监督学习模块捕捉不同类别的目标节点的类别边界，将同类节点拉近、异类节点拉远，加强各类别节点特征表征的约束。最后，用两层网络层分类器对目标节点特征进行分类预测。本专利通过构建多关系图以检测进行行为特征伪装以及关系间伪装的虚假用户，并设计多关系图内、图间的消息聚合函数，以便能高效地聚合图目标节点的邻居消息。

主权项：1.一种基于半监督图神经网络的水军虚假评论检测算法，其特征在于，包括以下步骤：1收集获取网络平台真实的评论数据集，将这些数据进行预处理，得到Embedding数据；2将每个评论数据当作每个节点进行多关系图构建；3在构建好的多关系图中进行目标节点图内、图间消息聚合，聚合基于注意力的邻居消息的目标节点特征向量；步骤3中，使用图内、图间消息聚合函数实现目标节点图内、图间消息聚合，具体为：将注意力机制引入图内、图间消息聚合函数中；图内消息聚合函数为： 式中，对于任意目标节点v，其具有特征向量v'为v的邻居节点，其具有特征向量V'；代表多关系图下子关系r的可训练特定参数矩阵，并且是邻居节点v'的在图神经网络l-1层以及子关系图r下的特征向量表示，是目标节点v与其所有的邻居节点v'所构成的边的集合；表示目标节点v聚合了图神经网络l-1层以及子关系图r下的所有邻居节点的信息，形成了目标节点v在图神经网络l层以及子关系图r下的特征向量表示，是注意力系数； 是目标节点v的在图神经网络l-1层以及子关系图r下的特征向量表示；将目标节点特征向量与其邻居节点特征向量拼接符号||表示向量横向拼接；并计算各邻居节点聚合消息的注意力系数以便后续各邻居节点按注意力系数权重进行消息聚合；其中，是注意力系数，由如下公式推导： 式中，是可训练参数向量；*代表内积；为与的内积结果；图间消息聚合函数为： 式中，Wv代表可训练特定参数矩阵，并且是邻居节点v'的在图神经网络l-1层下的特征向量表示，是注意力系数；σ表示激活函数ReLU；表示聚合运算；注意力系数的获取公式为： 式中，是可训练参数向量，表示与的内积结果，|R|代表多关系图中的子关系图个数，*代表内积；4将聚合消息后的目标节点特征向量进行对比监督学习模块约束，获得对比监督学习的目标节点特征向量；使得同类节点在高维空间上的特征向量更加靠近、异类节点在高维空间上的特征向量更加拉开；5使用两层神经网络对经过对比监督学习后的目标节点特征向量进行分类预测。

全文数据：

权利要求：

百度查询： 合肥工业大学 一种基于半监督图神经网络的水军虚假评论检测算法

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