[發明專利]一種虛擬交易平臺的信任關系網絡嵌入方法

在審

• 申請號: 202011364610.1
• 申請日: 2020-11-27
• 公開（公告）號: CN112488184A
• 公開（公告）日: 2021-03-12
• 發明（設計）人: 胡文斌;謝宗釗
• 申請（專利權）人: 武漢大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06Q20/38;G06F17/16;G06F16/901
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 許蓮英

1.一種虛擬交易平臺的信任關系網絡嵌入方法，其特征在于，包括以下步驟：

步驟1：在原始的信任關系網絡中選擇部分邊作為訓練集，并根據訓練集的網絡結構生成長度相同的隨機游走路徑；

步驟2：使用哈希函數學習信任關系網絡節點的表征；

步驟3：考慮信任關系穩固的三元組結構，根據節點的信任傳遞模式，學習得到節點的表征；

步驟4：將步驟2和步驟3得到的節點表征進行聚合得到節點最后表征結果。

2.根據權利要求1所述的虛擬交易平臺的信任關系網絡嵌入方法，其特征在于：

步驟1選擇了部分邊作為訓練集，然后生成了隨機游走路徑，具體的實現包括以下步驟：

步驟1.1：定義虛擬交易平臺的信任關系網絡為：

G_ini＝V,E

其中，V是節點集，N＝|V|是節點數，E是節點與節點之間的有向邊的集合；

將邊集合E中的數據打亂，然后從中選擇一定比例的邊E′作為訓練集；

根據訓練集中的邊，構造信任關系網絡：G＝V,E′；

步驟1.2：對于信任關系網絡中的每個節點，從該節點出發，在游走的每一步中，從當前節點作為起點的邊中隨機選擇一條，沿著這條邊移動到下一個節點，重復這個過程若干次，記錄經過的每個節點，得到一條隨機游走路徑；每個節點都重復上述過程多次。

3.根據權利要求1所述的虛擬交易平臺的信任關系網絡嵌入方法，其特征在于：

步驟2使用哈希函數學習信任關系網絡節點的表征的具體實現包括以下子步驟；

步驟2.1：M∈R^B×d是節點的共享矩陣；

存在k個不同的哈希函數H_k＝M_D，其中

D:{1,…,N}→{1,…,B}

即哈希函數D將節點編號映射為數b₁(b₁≤B)；

每個H_k相當于取了矩陣M的一個行向量；

步驟2.2：將步驟2.1得到的k個行向量進行加權求和，得到節點u的表征：

其中，u是信任關系網絡G中的一個節點，HE_u是節點u的表征；k是哈希函數的個數；H_i(u)是節點u的第i個哈希函數運算結果；是H_i(u)的權重；

那么，對于一個節點對(u，v)，它們的相似性為

其中，u,v為信任網絡G中的節點；HE_u、HE_v分別是節點u、v通過步驟2.2得到的表征。

4.根據權利要求1所述的虛擬交易平臺的信任關系網絡嵌入方法，其特征在于：

步驟3利用節點間的信任關系學習節點的表征，具體實現包括以下步驟：

步驟3.1：信任關系三元組存在如下36種情況：

任意兩個節點之間存在6中可能的信任關系：

節點u信任節點v、節點v信任節點u、節點u信任節點v且節點v信任節點u、節點u不信任節點v、節點v不信任節點u、節點u不信任節點v且節點v不信任節點u；

那么信任關系穩固的三元組共有6*6＝36種情況；

步驟3.2：對于每個節點對(u，v)之間存在多條長度為2的路徑，統計每種路徑的個數即三元組的個數，構成向量tt(u,v)；

步驟3.3：分別表示在考慮信任關系下，節點作為邊的終點和作為邊的起點時的表征，那么節點對(u，v)的相似性為：

其中，是節點u作為邊的起點的表征；是節點v作為邊的終點的表征；tt(u,v)是節點對(u,v)的信任關系三元組向量。

5.根據權利要求1所述的虛擬交易平臺的信任關系網絡嵌入方法，其特征在于：

步驟4將步驟2和步驟3得到的節點表征進行聚合，具體實現包括以下步驟：

步驟4.1：節點的最終表征為：

con(.)為聚合函數；

節點對(u，v)的相似性為：

s(u,v)＝f₁(u,v)+f₂(u,v)

其中，f₁(u,v)是哈希函數學習的節點表征度量的節點相似性，f₂(u,v)是考慮節點信任傳遞關系時節點的相似性；

步驟4.2：節點u和節點v的信任關系是根據u到v的路徑上的每個節點對之間的信任關系得到的；

當u信任v時，r_uv＝1，反之，r_uv＝-1；

根據結構平衡理論，距離較遠的兩個節點的信任程度會衰減；

其中，l為隨機游走路徑的長度；l_uv為節點u，v在路徑中的距離；m為衰減系數，當m＝1時，信任程度的衰減與節點間的距離線性相關；

步驟4.3：采用負采樣，選擇少量負樣本進行參數更新；

最終的損失函數為：

其中，節點v是出現在節點u窗口內的節點；節點u_i是根據負采樣分布P_n(u)采樣的節點；r_uv是節點對(u，v)的信任關系；s(u,v)是節點對(u，v)的相似程度；t_uv是衰減后的節點對(u，v)信任程度；σ是sigmoid函數；n是負樣本的個數；

步驟4.4：使用隨機梯度下降法求解，并進行參數更新，具體如下：

其中，為損失函數L(u)對自變量X求偏導；r_uv是節點對(u，v)的信任關系；s(u,v)是節點對(u，v)的相似程度；t_uv是衰減后的節點對(u，v)信任程度；σ是sigmoid函數；n是負樣本的個數；HE_u、HE_v分別是節點u、v通過步驟2.2得到的表征；是節點u作為邊的起點的表征；是節點v作為邊的終點的表征；tt(u,v)是節點對(u,v)的信任關系三元組向量；H_i(u)是節點u的第i個哈希函數運算結果；是H_i(u)的權重；

通過不斷地迭代學習，更新參數H_i(u)、以及最終表征的輸出結果為其中HE_u是根據步驟2計算得到的，con(.)為聚合函數。