[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

说明书

本发明公开了一种基于特征学习和图推理的恶意用户检测方法，首先根据用户序列来衡量产品的可疑度，然后根据产品的可疑度间接衡量每个用户的可疑度，接着从产品可疑度的角度，提出相关的新特征并结合筛选出的适用于这类新型特征的恶意用户；另一方面，提出同构图假设，构建用户‑用户图，融合图神经网络的特征学习和成对马尔可夫的标签传播方法，建立统一的目标函数进行迭代优化，进行图节点的特征学习和节点标签推理，从而完成恶意用户检测。

技术领域

本发明涉及恶意用户检测技术领域，主要涉及一种基于特征学习和图推理的恶意用 户检测方法。

背景技术

近年来，网络上出现了一种新型的恶意用户，他们通过合作的方式绕过现有恶意用 户检测系统，与传统的恶意用户不同的是，这些恶意用户明显更加的“聪明”，具体来说，他们不仅对目标电影电视进行发表评论，但也偶尔评论分目标商品，这使得其看起来像 一个正常人的行为，从而规避了现有恶意用户的检测系统，这些恶意用户影响着消费者 的决策，如何检测这些新型恶意用户，通常有两种研究思路，一种是将其视为单一的恶 意用户检测，另一种是将其视为恶意用户群组检测。如果将其看成单一的恶意用户检测： 以前研究集中在评论内容，评论行为以及评论，频率和产品之间的关系，这些方法都是 基于用户个人行为表现出的异常现象，但是这种现有基于单体定义的特征，无法捕获这 类恶意用户，因其看起来像“人”的行为，使得很多现有特征无法高度区分正常人和恶意 用户，故而需要对现有特征进行讨论。另一方面，相比较单体的恶意用户检测，基于群 组的恶意用户检测似乎更容易解决这个问题，对于群组的恶意用户检测通常分为两个步 骤，第一步是从这些恶意用户中发现候选群组，第二步是评论这些候选群组的可疑度， 从而发现恶意用户群组，对于第一步，现有发现候选群组的方法大多数是基于频繁项集 (FIM)技术，但是这种方法只能找到紧密连接的水军群组，即群组中每个水军都必须 评论所有指定的目标商品，还有一些其他发现群组的方法，例如Leman等人提出了 FRAUDEAGLE框架，他采用基于信念传播(MRF)的推理算法，该算法仅依靠评论者 与产品之间的网络效应来对评论者进行排名。在第二步中，与前面的基于单个恶意用户 检测相似，是通过测量每个组的预定义特征来确定是否为恶意用户群组，从而生成其可 疑度。大多数的恶意群体检测的算法都是基于以下假设：水军评论者对所有指定的目标 商品评论。难以适用于检测这种新出现的恶意用户。

发明内容

发明目的：针对上述背景技术中存在的问题，本发明提供了一种基于特征学习和图 推理的恶意用户检测方法，解决现有恶意用户检测方案难以检测恶意用户通过合作的方 式对指定的目标商品进行评论的问题。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种基于特征学习和图推理的恶意用户检测方法，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：