[发明专利]异质网络的异常目标检测方法、装置、设备及存储介质

权利要求书

1.一种异质网络的异常目标检测方法，其特征在于，包括：

获取异质网络的输入信息数据；其中，该输入信息数据主要为节点-人员和节点-公司构成的网络信息，实心三角形表示网络中的人员，实心圆形表示网络中的公司，空心三角形表示网络中的新加人员，空心圆形表示网络中的新加公司，所述该输入信息数据包括节点C1、C2、C3、P1、P2、P3、P4及P5，其中，所述节点C1、所述节点C3为网络中的公司，所述节点C2为网络中的新加公司，所述节点P1、所述节点P2、所述节点P3为网络中的人员，所述节点P4、所述节点P5为网络中的新加人员，所述节点C1与所述节点P1、所述节点P2、所述节点P3相连接，所述节点C2与所述节点P2、所述节点P3、所述节点P4、所述节点P5相连接，所述节点C3与所述节点P1、所述节点P2、所述节点P3相连接；

异质网络包括贿赂犯罪社会关系网络，将贿赂犯罪社会关系网络划分为节点和边，其中，节点具有：人或公司两种类型，边具有：有向边和无向边两种类型，有向边包括行贿、受贿，无向边包括朋友关系；

输入信息数据，包括：检察人员根据被举报人现有的社会关系网络和举报人提供的线索，将被举报人的社交状况数据更新到数据库中，生成被举报人最新的贿赂犯罪社会关系的数据信息；

根据所述输入信息数据建立图神经网络模型，包括：

所述图神经网络模型的邻居节点信息聚集公式为：

其中，h_v代表节点v的表征，σ是非线性激活函数，W是网络中学习的权重参数，u代表节点v的邻居节点，h_u代表节点u的表征，N代表节点的所有邻居节点集合，B是对于不同邻居节点分配的权重参数，t代表当前时刻，t+1代表下一时刻；

采用头脑风暴算法对所述图神经网络模型的权重参数进行优化，包括：

(1)对该图神经网络中的权重参数W和B进行随机初始化，得到权重参数矩阵；

(2)采用聚类算法对该权重参数矩阵进行聚类，得到多类权重矩阵，每类的中心为对应的权重矩阵的第一行；

(3)生成第一随机数与预先设置的第一超参数进行比较，如果该第一随机数大于等于该第一超参数，则随机选择一类权重矩阵的中心，并在该一类权重矩阵中随机选择一个元素以一个随机数代替该元素，生成一类新向量；如果所述第一随机数小于所述第一超参数，则生成第二随机数与预先设置的第二超参数进行比较，如果该第二随机数大于等于该第二超参数，则随机选择一类权重矩阵的中心，并在该一类权重矩阵中随机选择一个元素以一个随机数代替所述元素，生成一类新向量；如果所述第二随机数小于所述第二超参数，则随机选择两类权重矩阵的中心，并利用交叉重组操作得到两个新向量；

(4)判断是否达到终止条件，如果达到终止条件，则输出优化权重参数矩阵；反之，则返回到步骤(2)，进行下一轮优化；

基于所述输入信息数据和所述图神经网络模型输出异常目标，所述异常目标为所述异质网络的节点、社团或链接，所述基于所述输入信息数据和所述图神经网络模型输出异常目标包括：

基于该输入信息数据和该图神经网络模型得到异质网络的节点的低维表征向量矩阵；

从该表征向量矩阵中抽取出社团、节点及链接；

对该社团、该节点及该链接，采用机器学习算法输出异常目标；其中，该异常目标包括：异质网络的节点、社团或链接，社团为多个节点组成的组合，链接为节点和节点之间的关系，对应到实际贿赂犯罪社会关系网络中，异常目标为嫌疑人或嫌疑公司、或两个及两个以上的嫌疑人和嫌疑公司组成的基团或由两个节点链接构成的嫌疑边。

2.根据权利要求1所述的异常目标检测方法，其特征在于，对所述社团采用机器学习算法输出异常目标的步骤具体包括：

将所述异质网络划分为k个社团，定义一个k×k的对称矩阵e，所述对称矩阵的元素e_ij用来表示社团i和社团j之间连边的数目与整个网络所有连边数目的比值，e_i为连接到社团i中所有节点的边数占整个网络所有连边数目的比值；

分别计算所述k个社团的异常值，每个社团的异常值根据分数维模块性计算公式计算：Qi为所述社团的异常值，取值为复数，n为异常类型，n＝3，4，5，6，7；

将异常值的绝对值偏离平均值幅度大于标准差的预定百分比的社团作为异常社团，所述异常社团为所述异常目标。