[发明专利]社交网络去匿名方法、装置、计算机设备和存储介质

权利要求书

1.一种社交网络去匿名方法，其特征在于，所述方法包括：

对预先获取的社交网络进行匿名处理，得到匿名网络；

采用随机游走策略，获取所述匿名网络中预设步数的用户节点序列，根据所述用户节点序列，构建用户语料库；

利用预先设置的词向量模型对所述用户语料库中的用户进行嵌入，得到用户节点向量；

获取预先设置的辅助网络，根据所述辅助网络中用户节点和所述匿名网络中用户节点，构建种子节点对；

将所述种子节点对对应的向量对输入预先设置的全连接神经网络，得到训练好的全连接神经网络；

将匿名网络中待预测的用户节点向量输入训练好的全连接神经网络，输出所述辅助网络中去匿名的匹配结果。

2.根据权利要求1所述的方法，其特征在于，所述对预先获取的社交网络进行匿名处理，得到匿名网络，包括：

获取社交网络中的连边信息；

根据预先设置的噪声率，删除所述社交网络中的n％条边，得到剩余连边集合；

随机添加n％条边，得到新增连边集合；

根据所述剩余连边集合和所述新增连边集合，得到匿名网络。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

随机生成一条检测边，当所述检测边不在剩余连边集合和所述新增连边集合中时，将所述检测边加入所述新增连边集合；

以及，删除所述新增连边集合中与所述剩余连边集合相同的边。

4.根据权利要求1所述的方法，其特征在于，所述利用预先设置的词向量模型对所述用户语料库中的用户进行嵌入，得到用户节点向量，包括：

对所述用户语料库中的用户节点序列进行one-hot编码，得到N维向量；

利用N维向量训练预先设置的Skip-Gram模型，得到训练好的Skip-Gram模型；

通过训练好的Skip-Gram模型输出用户节点向量。

5.根据权利要求1所述的方法，其特征在于，将所述种子节点对对应的向量对输入预先设置的全连接神经网络，得到训练好的全连接神经网络，包括：

设置损失函数为：

其中，cos(*)表示余弦相似函数，表示从匿名网络到辅助网络的映射，V_a表示匿名网络中用户节点向量，V_x表示辅助网络中用户节点对应的向量；

将所述种子节点对对应的向量对输入预先设置的全连接神经网络，通过所述损失函数进行训练，得到训练好的全连接神经网络。

6.根据权利要求1至5任一项所述的方法，其特征在于，所述将匿名网络中待预测的用户节点向量输入训练好的全连接神经网络，输出所述辅助网络中去匿名的匹配结果，包括：

将匿名网络中待预测的用户节点向量输入训练好的全连接神经网络，输出匹配向量；

根据所述匹配向量在所述辅助网络中进行搜索，确定最接近的用户节点作为去匿名结果。

7.一种社交网络去匿名装置，其特征在于，所述装置包括：

网络匿名模块，用于对预先获取的社交网络进行匿名处理，得到匿名网络；

结构采样模块，用于采用随机游走策略，获取所述匿名网络中预设步数的用户节点序列，根据所述用户节点序列，构建用户语料库；

向量嵌入模块，用于利用预先设置的词向量模型对所述用户语料库中的用户进行嵌入，得到用户节点向量；

学习模块，用于获取预先设置的辅助网络，根据所述辅助网络中用户节点和所述匿名网络中用户节点，构建种子节点对；将所述种子节点对对应的向量对输入预先设置的全连接神经网络，得到训练好的全连接神经网络；

输出模块，用于将匿名网络中待预测的用户节点向量输入训练好的全连接神经网络，输出所述辅助网络中去匿名的匹配结果。

8.根据权利要求7所述的装置，其特征在于，网络匿名模块还用于获取社交网络中的连边信息；根据预先设置的噪声率，删除所述社交网络中的n％条边，得到剩余连边集合；随机添加n％条边，得到新增连边集合；根据所述剩余连边集合和所述新增连边集合，得到匿名网络。