申请/专利权人：西北工业大学

申请日：2023-12-19

公开（公告）日：2024-03-29

公开（公告）号：CN117788193A

主分类号：G06Q50/00

分类号：G06Q50/00;G06F18/25;G06F21/62;G06F18/214

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.16#实质审查的生效;2024.03.29#公开

摘要：本申请涉及智能方法和传播动力学领域，具体涉及一种针对不完整用户信息的谣言源检测方法，包括以下步骤：S1.构建社交网络；S2.实时监控被感染的用户数量；S3.用户特征向量构造；S4.注意力融合模块构造；S5.损失函数模块构造。本申请方法中采用位置嵌入模块，利用受感染子图的拉普拉斯位置编码，将用户状态和传播信息纳入用户的特征向量中，使得在现实的社交网络中，通过位置编码区分不完整用户和完整用户；利用注意力融合机制去关注具有更强信息传输能力的用户，设计损失函数平衡源用户和非源用户的数量差异。

主权项：1.一种针对不完整用户信息的谣言源检测方法，其特征在于，采用GIN-SD模型，具体包括以下步骤：S1.构建社交网络S2.实时监控被感染的用户数量：在具有不完整用户的社交网络中，源检测问题能够被形式化为： 其中T、U′和P′分别表示在不完整用户信息的社交网络中的网络拓扑信息、用户信息和传播信息，G′表示社交网络中θ％的用户被感染时得到的网络快照，f·为对应的谣言源检测方法，表示检测到的源集合；S3.用户特征向量构造对于某一用户vi，特征向量包括位置信息：给定网络快照G′，如果用户vi没有收到谣言或没有被说服，则受感染子图G+’的提取过程表示为： 其中，A是网络快照G′的邻接矩阵，A+是删除用户vi后受感染子图的邻接矩阵；Ji，n表示去除了第i行的n维单位矩阵；在社交网络中提取感染的用户子图后，定义对称归一化拉普拉斯矩阵为： 其中D+为社交网络中所提取感染的用户子图的度矩阵，A+是删除未被感染的用户后所表示的受感染子图的邻接矩阵，I表示单位矩阵，表示对称归一化拉普拉斯矩阵；之后对矩阵进行因式分解： Γ和λ分别表示的特征向量和特征值矩阵，为用户vi的位置信息，选择g个最小的非平凡特征向量Γi，g＜＜n，g表示位置信息包含元素的个数,n是指总用户数，用户vi的位置编码可以表示为: 其中，X的上标3表示特征向量的第三部分，G′+V，E表示社交网络中受感染的用户集合；经过构造特征向量的每个部分，用户vi的最终特征向量表示为： 其中，其中X表示特征向量，X的上标x表示特征向量的第x部分，X的下标i表示用户i，||符号表示向量拼接操作；S4.注意力融合模块构造考虑用户vi及其邻居vj，GIN-SD模型第l层的关注度系数eij表示为: 是用户的特征表示，并且X0＝X；lw表示用户节点特征向量中元素的个数，Wl表示一个可训练参数矩阵，LReLU·是激活函数，是一个权重向量，对于用户i，根据eij的定义，知道了每一个邻居的权重系数，那么某一个邻居在所有邻居中所占的比重为： 其中，αij为用户vi每个邻居vj的注意力权重，Xj为每个邻居用户的特征向量，exp表示以e为底的指数函数，W为模型中每一层的可训练参数矩阵，a是一个权重向量，·T表示转置操作，Nvi表示用户vi的所有的邻居用户；对于每个用户，经过一次卷积操作后的特征可以表示为： 部署K个不同的独立注意力机制，将多头注意力机制学习到的信息进行合并操作，并在模型的最后一层进行一次平均操作，最终得到综合的用户信息表示： 其中K为注意力机制的头数，指的是经过k次卷积操作后的特征公式15所求得的用户特征表示，σ·表示激活函数；最后，GIN-SD模型得到一个n×2维矩阵，对模块输出的2分类结果进行softmax操作，得到是否为源节点用户的概率表示： 其中z是多头注意力模块的输出向量，下标i表示向量中第i个元素，下标j表示向量中第j个元素,X″′i是公式16所得到的综合的用户信息表示。

全文数据：

权利要求：

百度查询： 西北工业大学 一种针对不完整用户信息的谣言源检测方法

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