[发明专利]一种电商网络异常用户检测方法及系统

权利要求书

1.一种电商网络异常用户检测方法，其特征在于，包括以下步骤：

S10、对采集到的电商网络数据进行预处理；

S20、对步骤S10预处理后获得的电商网络数据进行空间结构信息的抽取，构建异质信息网络并转化为用户-设备二分图；

S30、基于步骤S20获得的用户-设备二分图，利用自编码器和支持向量数据描述构建电商网络异常用户检测模型；

S40、对于步骤S30构建的电商网络异常用户检测模型，通过迭代计算方式对模型进行训练，确定模型的最优参数，具体包括以下步骤：

S41、根据设备聚集性特性，用户之间的设备相似度使用式(9)计算：

其中，i,j∈[1,M]，sim_d_ij为用户x_i和x_j之间的设备相似度，N_i表示用户x_i登录过的设备的集合，N_j表示用户x_j登录过的设备的集合；

根据活动聚集性特性将一天等分为24个时间段，统计每个用户在各个时间段内登录设备的次数T_p，p∈[0,23]，并将每个用户的登录行为描述为t_i＝[T₀,T₁,...,T₂₃]，用户之间的活动相似度由式(10)计算：

其中，sim_t_ij为用户x_i和x_j之间的活动相似度，t_i表示用户x_i的登录行为，t_j表示用户x_j的登录行为；

根据式(9)、式(10)，用户在原始空间中的行为相似度由式(11)计算：

sim_ij＝sim_d_ij×sim_t_ij                                        (11)

其中，sim_ij为用户x_i和x_j之间的行为相似度；

S42、用户低维表示之间的行为差异可以通过式(12)来计算：

其中，dis_ij为用户低维表示z_i和z_j之间的欧式距离；

进一步的，用户低维表示之间的行为相似度由式(13)来计算：

其中，为用户低维表示z_i和z_j之间的行为相似度；

S43、为S30建立的电商网络异常用户检测模型建立式(14)所示的联合目标函数：

L＝L_rec+α(L_sim+L_svdd)                                       (14)

其中α为超参数，取值范围在(0,1)内，L_rec为重构误差，用于度量原始输入S和重构输出之间的差异，由式(15)计算：

L_sim为行为相似度差异，用于度量两个用户间的行为相似度在编码前后的差异性，由式(16)计算：

L_svdd为超球约束，作为区分正常用户和异常用户间的分类边界，由式(17)计算：

S44、对步骤S30中的电商网络异常用户检测模型进行初始化，初始化自编码器参数W和b，并给定超球隐空间维度dim、迭代次数epoch、批大小batch size和学习率learningrate；

迭代执行步骤S45-S49，直到达到设定的迭代次数，完成对电商网络异常用户检测模型的训练，获得模型的最优参数：

S45、将S22获取的用户-设备二分图结构S作为输入，按式(1)编码器编码获取用户低维表示集合Z；

S46、按式(3)解码器对用户低维表示集合Z进行解码得到完成正向传播；

S47、按式(11)计算用户之间的行为相似度，按式(13)计算用户低维表示之间的行为相似度；

S48、采用随机梯度下降法，通过优化式(14)中的联合目标函数L，完成反向传播，实现对自编码器中权重W和偏置b的更新；

S49、按步骤S33-S35，检测器对用户低维表示集合Z进行异常检测；

S50、利用步骤S30构建的电商网络异常检测模型，以及步骤S40确定的模型最优参数，将异常用户检测结果进行输出，并对异常用户进行处理。