[发明专利]一种基于改进递归神经网络的诽谤性恶意用户检测方法

说明书

本发明公开了一种基于改进递归神经网络的诽谤性恶意用户检测方法，包括以下步骤：步骤S1，搭建层次化双注意力递归神经网络HDAN模型；步骤S2，联合过滤；步骤S3，改进的非负矩阵分解推荐系统。本发明通过诽谤性恶意用户检测推荐系统框架SDRS，结合HDAN模型，可以为推荐系统在真实世界中的表现带来极大的提升，从这些用户的交互行为方式出发，将这类用户的特点抽象为评论与评级之间存在语义鸿沟，再利用HDAN来对评论中的语义进行情感分析，结合联合过滤的策略，可以检测并过滤掉此类恶意用户，为推荐系统带来了一个更为优质和纯净的输入，使得推荐系统的性能得以提升。

技术领域

本发明涉及诽谤性恶意用户检测技术领域，具体来说，涉及一种基于改进递归神经网络的诽谤性恶意用户检测方法。

背景技术

在电商消费中，有一类消费者为了获取不正当的利益，会在电子商务平台对已消费过的商品进行诽谤性的差评，我们称此类消费者为诽谤性的恶意用户。此类的用户采取的所有行动都符合电子商务平台规范，利用现有异常用户检测技术的漏洞，来规避检测。他们通常在对商品的评级与评论之间构造一个语义鸿沟，在评级与评论之间出现较大的分歧，例如高评分和差评论、低评分和高评论，以此来混淆推荐系统，获取不正当的利益。

因此，我们提出一种基于改进递归神经网络的诽谤性恶意用户检测方法。

针对相关技术中的问题，目前尚未提出有效的解决方案。

发明内容

针对相关技术中的问题，本发明提出一种基于改进递归神经网络的诽谤性恶意用户检测方法，以克服现有相关技术所存在的上述技术问题。

本发明的技术方案是这样实现的：

一种基于改进递归神经网络的诽谤性恶意用户检测方法，包括以下步骤：

步骤S1，搭建层次化双注意力递归神经网络HDAN模型；

步骤S2，联合过滤；

步骤S3，改进的非负矩阵分解推荐系统；

其中，步骤S1包括以下：

S101，标定mGRU模型，其，ug_t的计算公式为：

其中的临时状态信息表示为：

重置门re_t为一个权值，用于决定保留多少先前状态信息，若re_t＝1，则需要保留全部的先前状态信息，re_t的表示如下：

S102，词水平语义情感分析，包括如下：

其嵌入矩阵W_e，将单词w_it映射到一个向量y_it中，表示如下：

y_it＝W_ew_it，t∈[1，L_w]；

以来结合和获取包含以单词w_it为中心的所有信息；

其中一个句子中的单词数量为w个，每个单词的权值依赖于情感信息h_it，其注意力权值计算公式如下：