[發(fā)明專利]基于圖的網(wǎng)絡(luò)社團(tuán)發(fā)現(xiàn)方法、裝置、設(shè)備以及存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202011240466.0
• 申請(qǐng)日: 2020-11-09
• 公開（公告）號(hào): CN112231592A
• 公開（公告）日: 2021-01-15
• 發(fā)明（設(shè)計(jì)）人: 榮鈺;李佳
• 申請(qǐng)（專利權(quán)）人: 騰訊科技（深圳）有限公司
• 主分類號(hào): G06F16/9536
• 分類號(hào): G06F16/9536;G06K9/62
• 代理公司: 北京市立方律師事務(wù)所 11330
• 代理人: 張?bào)銓?張海秀

本申請(qǐng)實(shí)施例公開了一種基于圖的網(wǎng)絡(luò)社團(tuán)發(fā)現(xiàn)方法、裝置、設(shè)備以及存儲(chǔ)介質(zhì)，可適用于人工智能等領(lǐng)域。該方法包括：獲取初始神經(jīng)網(wǎng)絡(luò)模型、以及訓(xùn)練數(shù)據(jù)集，初始神經(jīng)網(wǎng)絡(luò)模型包括依次級(jí)聯(lián)的初始圖生成模型和初始圖節(jié)點(diǎn)分類模型，訓(xùn)練數(shù)據(jù)集包括各樣本圖；確定第一訓(xùn)練損失值；根據(jù)第一訓(xùn)練損失值和訓(xùn)練數(shù)據(jù)集對(duì)初始神經(jīng)網(wǎng)絡(luò)模型進(jìn)行迭代訓(xùn)練，直至滿足訓(xùn)練結(jié)束條件，以基于訓(xùn)練結(jié)束后的圖節(jié)點(diǎn)分類模型確定待處理圖中各節(jié)點(diǎn)的類別，并基于待處理圖中各節(jié)點(diǎn)的類別確定待處理圖中的目標(biāo)網(wǎng)絡(luò)社團(tuán)。采用本申請(qǐng)實(shí)施例，可發(fā)現(xiàn)圖中的網(wǎng)絡(luò)社團(tuán)，適用性高。

技術(shù)領(lǐng)域

本申請(qǐng)涉及人工智能領(lǐng)域，尤其涉及一種基于圖的網(wǎng)絡(luò)社團(tuán)發(fā)現(xiàn)方法、裝置、設(shè)備以及存儲(chǔ)介質(zhì)。

背景技術(shù)

隨著互聯(lián)網(wǎng)的發(fā)展，人們發(fā)現(xiàn)許多實(shí)際網(wǎng)絡(luò)中都存在著社團(tuán)網(wǎng)絡(luò)，如支付網(wǎng)絡(luò)社團(tuán)、社交網(wǎng)絡(luò)社團(tuán)等。近年來，人們對(duì)網(wǎng)絡(luò)社團(tuán)進(jìn)行劃分主要依據(jù)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，同時(shí)也需要節(jié)點(diǎn)的自身屬性信息。

目前常用的網(wǎng)絡(luò)社團(tuán)劃分方法，主要分為基于結(jié)構(gòu)的劃分方法和基于節(jié)點(diǎn)的劃分方法，但是由于網(wǎng)絡(luò)社團(tuán)往往在動(dòng)態(tài)變化，現(xiàn)有的社團(tuán)劃分方法往往不能及發(fā)現(xiàn)網(wǎng)絡(luò)社團(tuán)的細(xì)微變化，因而不能準(zhǔn)確識(shí)別出對(duì)應(yīng)的網(wǎng)絡(luò)社團(tuán)。例如，對(duì)于支付網(wǎng)絡(luò)中的洗錢網(wǎng)絡(luò)社團(tuán)，團(tuán)伙成員通過內(nèi)部成員減少交易，多和正常的用戶或者商戶發(fā)生交易等等來改變洗錢網(wǎng)絡(luò)社團(tuán)的結(jié)構(gòu)，進(jìn)而使得現(xiàn)有的網(wǎng)絡(luò)社團(tuán)劃分方法不能很好的識(shí)別出洗錢網(wǎng)絡(luò)社團(tuán)。

因此，如何提升識(shí)別網(wǎng)絡(luò)社團(tuán)的準(zhǔn)確性，成為亟需解決的問題。

發(fā)明內(nèi)容

本申請(qǐng)實(shí)施例提供一種基于圖的網(wǎng)絡(luò)社團(tuán)發(fā)現(xiàn)方法、裝置、設(shè)備以及存儲(chǔ)介質(zhì)，可準(zhǔn)確發(fā)現(xiàn)圖中的網(wǎng)絡(luò)社團(tuán)，適用性高。

第一方面，本申請(qǐng)實(shí)施例提供一種基于圖的網(wǎng)絡(luò)社團(tuán)發(fā)現(xiàn)方法，該方法包括：

獲取初始神經(jīng)網(wǎng)絡(luò)模型、以及訓(xùn)練數(shù)據(jù)集，上述初始神經(jīng)網(wǎng)絡(luò)模型包括依次級(jí)聯(lián)的初始圖生成模型和初始圖節(jié)點(diǎn)分類模型，上述訓(xùn)練數(shù)據(jù)集包括各樣本圖；

對(duì)于每一上述樣本圖，獲取該樣本圖的擾動(dòng)參數(shù)，將該樣本圖和上述擾動(dòng)參數(shù)輸入上述初始圖生成模型，得到上述樣本圖對(duì)應(yīng)的擾動(dòng)圖；

基于各上述擾動(dòng)圖，通過上述初始圖節(jié)點(diǎn)分類模型，得到各上述擾動(dòng)圖中各節(jié)點(diǎn)的預(yù)測類別；

基于各上述擾動(dòng)圖中各節(jié)點(diǎn)的預(yù)測類別，以及各上述樣本圖對(duì)應(yīng)的關(guān)聯(lián)特征，確定第一訓(xùn)練損失值，上述第一訓(xùn)練損失值表征了對(duì)應(yīng)于不同類別的網(wǎng)絡(luò)社團(tuán)之間的差異；

根據(jù)上述第一訓(xùn)練損失值和上述訓(xùn)練數(shù)據(jù)集對(duì)上述初始神經(jīng)網(wǎng)絡(luò)模型進(jìn)行迭代訓(xùn)練，直至滿足訓(xùn)練結(jié)束條件，以基于訓(xùn)練結(jié)束后的圖節(jié)點(diǎn)分類模型確定待處理圖中各節(jié)點(diǎn)的類別，并基于上述待處理圖中各節(jié)點(diǎn)的類別確定上述待處理圖中的目標(biāo)網(wǎng)絡(luò)社團(tuán)。

第二方面，本申請(qǐng)實(shí)施例提供一種基于圖的網(wǎng)絡(luò)社團(tuán)發(fā)現(xiàn)方法，該方法包括：

獲取待處理圖；

基于上述待處理圖，通過圖節(jié)點(diǎn)分類模型確定上述待處理圖中各節(jié)點(diǎn)的類別，其中，上述圖節(jié)點(diǎn)分類模型是基于本申請(qǐng)實(shí)施例第一方面所提供的方法訓(xùn)練得到的；

基于上述待處理圖中各節(jié)點(diǎn)的類別，確定上述待處理圖中的目標(biāo)網(wǎng)絡(luò)社團(tuán)。

第三方面，本申請(qǐng)實(shí)施例提供了一種基于圖的網(wǎng)絡(luò)社團(tuán)發(fā)現(xiàn)裝置，該裝置包括：

獲取模塊，用于獲取初始神經(jīng)網(wǎng)絡(luò)模型、以及訓(xùn)練數(shù)據(jù)集，上述初始神經(jīng)網(wǎng)絡(luò)模型包括依次級(jí)聯(lián)的初始圖生成模型和初始圖節(jié)點(diǎn)分類模型，上述訓(xùn)練數(shù)據(jù)集包括各樣本圖；

圖生成模塊，用于對(duì)于每一上述樣本圖，獲取該樣本圖的擾動(dòng)參數(shù)，將該樣本圖和上述擾動(dòng)參數(shù)輸入上述初始圖生成模型，得到上述樣本圖對(duì)應(yīng)的擾動(dòng)圖；

類別確定模塊，用于基于各上述擾動(dòng)圖，通過上述初始圖節(jié)點(diǎn)分類模型，得到各上述擾動(dòng)圖中各節(jié)點(diǎn)的預(yù)測類別；