[发明专利]一种基于特征学习和图推理的恶意用户检测方法

权利要求书

1.一种基于特征学习和图推理的恶意用户检测方法，其特征在于，包括以下步骤：

步骤S1、构建基础特征；

基于用户的评论时间、评论内容、评论ID、所评论的商品信息和用户完成的投票打分事项，筛选出若干特征，用于区分恶意用户和普通用户；

步骤S2、基于若干预定义假设，度量商品的可疑度，在商品视角下构建新的区分特征；

设定U代表用户集合U＝{u₁,u₂…u_n},其中n代表用户的数目，u_i代表第i个用户，P代表商品集合P＝{p₁,p₂…p_m},其中m代表商品的数目，p_j代表第j个商品，采用D代表商品的用户序列的集合D＝{d₁,d₂…d₂},设定变量a_ij,表示在商品i成为目标商品的前提下，商品j成为目标商品的可疑度；

根据恶意用户和正常用户在商品使用上呈现的分布特点，进行预定义假设如下：

假设1：当一种商品与另一种商品具有达到预设阈值的相同用户序列数量时，则该种商品则被定义为高可疑度目标商品；

假设2：高可疑度目标商品与多个商品具有部分相同的用户序列，且该相同用户序列数量达到预设阈值；

基于上述假设1可得：

基于假设2找出基于高可疑度商品分布的商品性质如下：

a_i＝argmaxE(a_i)

其中E表示数学期望，a_ij表示在第i个商品成为高可疑度目标商品的前提下，第j个商品成为高可疑度目标商品的可疑度；完成商品可疑度度量后，根据以下假设，构建新的区分特征：

假设3：用户在多个高可疑度目标商品下评论时更有可能是恶意用户；

假设4：用户评论的商品可疑度越高，该用户为恶意用户的概率越大；

设定第i个用户u_i所评论的商品的可疑度分布为u_i＝{sp₁,sp₂…sp_k}，基于假设3，采用字符PSU表示公化结果如下：

基于上述假设4，定义ASU如下：

步骤S3、融合图神经网络和成对马尔可夫检测模型，并在GMMM的理论框架下，建立特征学习和标签分布推理的统一目标函数，将二分类任务转化为图节点的分类任务。