[發明專利]發現未知風險模式的方法、裝置、電子設備及存儲介質

有效

• 申請號: 201910287221.4
• 申請日: 2019-04-10
• 公開（公告）號: CN110019567B
• 公開（公告）日: 2021-07-23
• 發明（設計）人: 王璐
• 申請（專利權）人: 武漢斗魚魚樂網絡科技有限公司
• 主分類號: G06F16/28
• 分類號: G06F16/28;G06F21/56;G06F21/57
• 代理公司: 中科專利商標代理有限責任公司 11021
• 代理人: 周天宇

1.一種發現未知風險模式的方法，其特征在于，包括：

建立種子社區，將所述種子社區劃分為多個子圖社區，所述子圖社區包括多個風險實體，所述風險實體為某網站注冊用戶；

基于所述風險實體在多個預設特征上的取值，計算所述種子社區內的所有風險實體兩兩之間的相似度，所述預設特征為注冊用戶的注冊時間、IP地址、用戶名、發布狀態的時間及內容；

基于所述相似度，計算所述種子社區內的風險實體對各自對應的子圖社區的緊密度貢獻值，根據所述緊密度貢獻值，更新所述種子社區內的各所述子圖社區，直至所述種子社區穩定不變；

計算穩定后的所述種子社區內的各所述子圖社區內的風險實體的多個預設特征的信息熵；

所述計算穩定后的所述種子社區內的各所述子圖社區內的風險實體的多個預設特征的信息熵包括：

令所述子圖社區為G，x為所述多個預設特征，R為所述子圖社區G內的風險實體在所述多個預設特征x上取值的集合，r為所述預設特征x取值的集合R中的任一值，p(x＝r)為所述子圖社區G內的風險實體在預設特征x上取值為r的概率，Entropy(G，x)為所述子圖社區G內的風險實體的預設特征x的信息熵，則；

基于所述信息熵，確定各所述子圖社區的風險模式；

其中，所述基于所述信息熵，確定各所述子圖社區的風險模式包括：

判斷所述信息熵是否大于預設的信息熵閾值；

當所述信息熵大于所述預設的信息熵閾值時，判斷所述子圖社區內的風險實體在所述預設特征上取預設值的概率是否大于預設閾值；

當所述子圖社區內的風險實體在所述預設特征上取預設值的概率大于所述預設閾值，則所述預設特征為風險模式特征；

根據所述風險模式特征的集合，確定所述子圖社區的風險模式；

假設從所述子圖社區中提取到了A和B這兩個風險模式特征，a和b分別為A和B的取值，那么，該子圖社區的風險模式即為A＝a和B＝b。

2.根據權利要求1所述的方法，其特征在于，所述基于所述相似度，計算所述種子社區內的風險實體對各自對應的子圖社區的緊密度貢獻值包括：

基于所述相似度，通過預置的緊密度計算公式，計算各所述子圖社區的第一類緊密度，以及，各所述子圖社區外的風險實體加入各自對應的子圖社區后各所述子圖社區的第二類緊密度；

根據各所述子圖社區的第一類緊密度和第二類緊密度，通過預置的緊密度貢獻值計算公式，確定各所述子圖社區外的風險實體對各所述子圖社區的緊密度貢獻值；

將各所述子圖社區外緊密度貢獻值最高的風險實體加入對應的子圖社區內，形成對應的新的子圖社區；

基于所述相似度，通過預置的緊密度計算公式，計算各所述新的子圖社區的第一類緊密度，以及，各所述新的子圖社區內的風險實體移出對應的子圖社區后各所述新的子圖社區的第三類緊密度；

根據各所述新的子圖社區的第一類緊密度和第三類緊密度，通過所述預置的緊密度貢獻值計算公式，確定各所述新的子圖社區內的風險實體對各自對應的所述新的子圖社區的緊密度貢獻值；

將各所述新的子圖社區內的緊密度貢獻值小于零的風險實體從各自對應的新的子圖社區中刪除。

3.根據權利要求2所述的方法，其特征在于，所述預置的緊密度計算公式包括：

其中，所述子圖社區為G，f_G為所述子圖社區G的緊密度，p_in(G)為所述子圖社區G內部的風險實體兩兩之間的相似度之和，p_out(G)為所述子圖社區內部的風險實體和所述子圖社區外部的風險實體兩兩之間的相似度之和，δ為權重系數，0≤δ≤1。

4.根據權利要求2所述的方法，其特征在于，所述預置的緊密度貢獻值計算公式包括：

令所述子圖社區為G，A為所述種子社區內的風險實體，f_G(+A)表示所述第二類緊密度或所述第三類緊密度，f_G(-A)表示所述第一類緊密度，f_G(A)為A對所述子圖社區G的緊密度貢獻值，則：

f_G(A)＝f_G(+A)-f_G(-A)。