[发明专利]一种融合时序和属性行为的异常变化检测方法及系统

说明书

本发明公开了一种融合时序和属性行为的异常变化检测方法及系统，实施时先使用原始行为数据在指定的时间片长度和周期长度下构建行为信息序列，之后使用基于自编码器和注意力机制的网络表示学习方法学习所有个体在参考窗口和当前窗口的低维向量表示。搜索在参考窗口与单个个体相似的个体后，通过同一个体与其相似个体在不同窗口的区别计算异常分数，得到具有局部异常行为变化的个体。本发明在搜索局部异常行为变化时同时考虑行为的时序信息和属性信息，融合这两部分信息的数据进行局部异常行为变化检测；本方法采用无监督方式检测局部异常行为变化，无需人工标注数据。

技术领域

本发明涉及数据建模、行为分析和异常检测相关领域，具体来讲涉及的是一种融合时序和属性行为的异常变化检测方法及系统。

背景技术

行为是一个人(个体)生活习惯和心理状态的一个外在体现，研究个体的行为对商品推荐、社群预测、异常告警等多种任务都有积极的作用。局部异常行为变化是反映一个个体在近期行为出现显著异常的体现，检测这种异常变化可以有效地降低高风险事件的发生。例如敬老院中老人们具有类似的生活习惯，并且会随敬老院的安排而变化。这时如果发现一名老人的变化与其他相似老人的变化有区别，则说明这名老人身上出现了我们预期以外的事件(生理上或心理上)影响了行为的变化，这时就需要引起我们的注意。

然而，对于不同个体行为的建模是十分复杂的，行为的发生具有明显的时序关系并且个体和行为都具有自身的属性，建模过程中需要考虑这两方面的信息。建模完成后的表示学习阶段也要同时保留这两方面的信息得到更为全面的向量表示，这就为我们检测局部异常变化带来了困难。

现有的方法对行为进行建模时考虑了行为的时序信息或者属性信息，并且取得了较好的效果。但现有的方法没有提出能够同时保留两种信息的建模方式。并且在网络表示学习阶段也无法同时保留两部分的信息，这也就为方法的应用带来了一定的缺陷。

发明内容

因此，为了解决上述不足，本发明在此提供一种融合时序和属性行为的异常变化检测方法及系统，在克服现有方法不足的情况下提高了检测局部异常行为变化的效果。

本发明是这样实现的，构造一种融合时序和属性行为的异常变化检测方法，其特征在于；采用无监督学习的方式，融合行为数据的时序和属性信息进行局部异常行为变化检测；实现步骤如下：

步骤1，使用原始行为数据在指定的时间片长度和周期长度下构建行为信息序列，即构建多个具有顺序关系的异构属性网络，并划分参考窗口和当前窗口；

步骤2，使用基于自编码器和注意力机制的网络表示学习方法学习所有个体在参考窗口和当前窗口的低维向量表示；

步骤3，使用基于欧几里得距离的K近邻标准搜索在参考窗口与单个个体相似的个体；

步骤4，通过同一个体与其相似个体在不同窗口的区别计算异常分数，通过排序得到具有局部异常行为变化的个体。

根据本发明所述一种融合时序和属性行为的异常变化检测方法，其特征在于；所述步骤1的具体实现方式如下：对于使用时间戳、地点、个体、其他属性所记录的原始行为信息，要首先构建行为信息序列；一个行为信息序列是有多个具有顺序关系的异构属性网络构成的；对于给定的周期长度，将原始数据集划分为相邻但不相交的多个子数据集，每个子数据集用于构建单个异构属性网络；对于给定的时间片长度，将一个子数据集包含的时间离散化，作为异构属性网络中行为结点的属性；异构属性网络中除个体、行为结点以及它们之间的相关关系外，在此还引入个体、行为发生的地点的基本信息以及时间片作为网络中包含的属性；构成一个完整的异构属性网络；多个子数据集构建的异构属性网络按时间先后排序得到行为信息序列；并将行为信息序列划分为参考窗口和当前窗口。