[发明专利]基于动态网络表示学习的抗近邻合谋数字指纹生成方法

权利要求书

1.一种基于动态网络表示学习的抗近邻合谋数字指纹生成方法，其特征在于，包括以下步骤：

步骤(1)、选取带有时间戳的动态社交网络数据集构造连续时间网络；

步骤(2)、根据步骤(1)构造的连续时间网络的邻居结构的影响构造概率分布函数，依据概率分布函数在连续时间网络中进行有偏向的随机游走采样，得到节点采样序列的集合；将节点采样序列的集合输入到Skip-gram模型中，训练得到用户特征向量码；

步骤(3)、根据连续时间网络的节点密度生成CFF码，联合用户特征向量码和CFF码生成用户数字指纹；

步骤(1)具体如下：

步骤(1.1)、选择用户所在的动态社交网络数据集，对动态社交网络数据集进行信息提取，提取的信息包括动态社交网络中的节点、两个节点之间的边的时间戳；

步骤(1.2)、根据步骤(1.1)提取出的节点、带有时间戳的边构建连续时间网络；

步骤(2)具体包括：

步骤(2.1)、置节点采样序列L为空，在步骤(1)得到的连续时间网络中随机选择一条游走的初始边，并将初始边两端的节点加入节点采样序列L中；

步骤(2.2)、置待选节点集合S为空，设定t_c为当前时间戳，Δt为采样的时间间隔；在连续时间网络中找出节点采样序列L的最后一个节点的邻居节点，判断该邻居节点与节点采样序列L的最后一个节点构成的边的时间戳是否小于t_c+Δt，将边的时间戳小于t_c+Δt的边的对应节点加入待选节点集合S中；

步骤(2.3)、步骤(2.2)中得到的待选节点集合S中的节点与节点采样序列L中的邻居节点构成多种不同的邻居结构，使用不同的邻居结构的影响构造概率分布函数P；

步骤(2.4)、将步骤(2.2)的待选节点集合S和步骤(2.3)的概率分布函数P作为别名采样法的抽样参数，使用别名采样法从S中选择节点，选中的节点加入到节点采样序列L中，并更新当前的时间戳t_c；

步骤(2.5)、令L_s是所有节点采样序列的集合，设定采样的节点序列长度阈值l，n为随机游走次数，t_M为采样的最大边界时间；当节点采样序列L的长度大于节点序列长度阈值l或当前时间戳t_c大于t_M时，停止游走并将节点采样序列L加入到节点采样序列的集合L_s中，完成一次随机游走；否则返回步骤(2.2)；

步骤(2.6)、重复步骤(2.1)-步骤(2.5)，当随机游走次数为n时，完成节点采样序列的集合L_s的生成；

步骤(2.7)、将步骤(2.6)获得的节点采样序列的集合L_s输入到Skip-gram模型中，Skip-gram模型最大化连续时间网络中所有节点的邻居节点的共现概率，训练得到用户特征向量码；

步骤(3)具体包括：

步骤(3.1)、根据连续时间网络设定抗合谋的人数x、抗合谋码的元素集F，其中F中的元素个数为y；首先初始化矩阵cFlag，使cFlag的对角线元素为0，其他元素为1；然后将元素集F以每x+1个元素拆分为若干个区组，将这若干个区组与区组{(1,y/(x+1)+1,…,(x×y)/(x+1)+1),(2,y/(x+1)+2,…,(x×y)/(x+1)+2),…,(y/(x+1),2y/(x+1),…,y)}的并集作为基础区组；遍历基础区组的每个元素对，i,j均为元素，如果元素对(i,j)在基础区组中，置矩阵cFlag的第i行第j列为0；

步骤(3.2)、对抗合谋码的元素集F的元素进行x+1阶全排列生成若干个区组，首先去除不符合CFF码构造条件的区组，保留符合CFF码构造条件的区组，然后遍历符合CFF码构造条件的区组的每个元素对，如果元素对(i,j)没有在基础区组中出现过，则置矩阵cFlag的第i行第j列为0；最后将cFlag取反，得到CFF码；

步骤(3.3)、根据级联编码方法联合步骤(2)得到的用户特征向量码与步骤(3.2)得到的CFF码，形成用户数字指纹的矩阵U，将U的每一行作为每一位用户唯一的用户数字指纹。

2.根据权利要求1所述的一种基于动态网络表示学习的抗近邻合谋数字指纹生成方法，其特征在于，步骤(3.3)后还包括再将用户数字指纹嵌入到数字产品中分发给用户。