[发明专利]基于图神经网络的账户检测方法、装置和设备有效

专利信息
申请号: 202110195120.1 申请日: 2021-02-19
公开(公告)号: CN112818257B 公开(公告)日: 2022-09-02
发明(设计)人: 徐国爱;郭燕慧;徐国胜;张淼;李思怡 申请(专利权)人: 北京邮电大学
主分类号: G06F16/9536 分类号: G06F16/9536;G06F16/951;H04L51/52;G06N3/04;G06N3/08
代理公司: 北京风雅颂专利代理有限公司 11403 代理人: 刘志永
地址: 100876 *** 国省代码: 北京;11
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 基于 神经网络 账户 检测 方法 装置 设备
【权利要求书】:

1.一种基于图神经网络的账户检测方法,其特征在于,包括:

以在线社交平台的账户为节点,账户与账户之间的关系为边,构建关系图;

确定节点的特征表示,所述特征表示为分别提取所述节点的内容特征和行为特征并进行双重聚合后得到;所述双重聚合包括:对于每一种关系的邻居节点引入不同的权重参数,分别对属于同一种关系类型的邻居节点进行聚合后再进行不同类型关系之间的聚合;包括:

通过以下公式进行节点之间的边关系的双重聚合:

其中,R表示所述关系图中所有边的集合,表示与vi节点具有r关系的邻居集合,ci,r为归一化参数,一般取Wr是具有r关系的邻居对应的权重参数,Wo是节点自身对应的权重参数;

softmax函数与对应的Loss计算函数为:

其中y为有标签的节点的集合,表示输出层有标签的第i个节点的预测值;

将所述关系图和所述特征表示输入预设的图神经网络模型,通过所述神经网络模型的输出结果确定所述关系图中的异常账户节点;

其中,所述预设的神经网络模型为:将所述关系图的节点和边转码为能够识别的向量数据,对所述向量数据进行权重参数的训练后,输出带有标签的节点预测值,根据所述节点预测值确定节点是否为异常账号。

2.根据权利要求1所述的基于图神经网络的账户检测方法,其特征在于,所述方法还包括:

预建立账户判断范围表,根据所述预设的图神经网络模型输出的节点预测值在所述账户判断范围表的匹配结果,确定节点是否为异常账号;

所述账户判断范围表包括第一数值范围和第二数值范围,当所述节点预测值处于第一范围时,确定所述节点预测值对应的节点为正常账户;当所述节点预测值处于第二范围时,确定所述节点预测值对应的节点为异常账户。

3.根据权利要求1所述的基于图神经网络的账户检测方法,其特征在于,所述方法还包括:

确定源账号节点后,根据所述源账号节点的第一关系确定一阶关系图;

根据所述一阶关系图的各一阶账号节点的第二关系确定二阶关系图;

根据所述二阶关系图的各二阶账号节点的第三关系确定三阶关系图;

重复上述过程,直至获取所述源账号节点的第N关系确定的N阶关系图,其中,所述关系为节点关注与被关注的其它节点之间存在的关系。

4.根据权利要求1所述的基于图神经网络的账户检测方法,其特征在于,所述确定节点的特征表示,所述特征表示为分别提取所述节点的内容特征和行为特征进行聚合后得到,包括:

分别获取节点的账户信息和行为信息,所述账户信息包括简介信息和发布的文本信息,所述行为信息包括账户的活动信息;

分别对所述账户信息和行为信息进行聚合后编码,确定所述节点的向量数据。

5.根据权利要求1所述的基于图神经网络的账户检测方法,其特征在于,所述方法还包括:

所述预设的图神经网络模型进行迭代训练至Loss计算函数变化幅度小于预定值时,确定此时所述关系图的各所述节点输出的概率值为所述预测值。

6.根据权利要求1所述的基于图神经网络的账户检测方法,其特征在于,所述预设的图神经网络模型通过R-GCN算法实现聚合邻居的策略,以对复杂无向的关系图时加快训练和计算速度。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于北京邮电大学,未经北京邮电大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202110195120.1/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top