[發明專利]基于深度學習的半監督社交網絡異常賬號檢測方法

在審

• 申請號: 202110332332.X
• 申請日: 2021-03-29
• 公開（公告）號: CN113537272A
• 公開（公告）日: 2021-10-22
• 發明（設計）人: 陳波馮;王曉玲;盧興見;張吉
• 申請（專利權）人: 之江實驗室;華東師范大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06Q50/00
• 代理公司: 成都行之專利代理事務所(普通合伙) 51220
• 代理人: 溫利平

1.一種基于深度學習的半監督社交網絡異常賬號檢測方法，其特征在于，包括以下步驟：

S1：當需要對某個社交網絡中的賬號進行異常檢測時，獲取該社交網絡的賬號信息，構建社交網絡賬號圖G＝(V,E,X)，其中V表示社交網絡中所有賬號所構成的集合，E表示社交網絡中賬號之間的所有邊構成的集合，當兩個賬號產生交互行為則在這兩個賬號之間產生邊，X表示所有賬號的屬性信息所構成的集合，其中賬號屬性信息為文本信息；

S2：從社交網絡中選取若干賬號并進行異常賬號判斷，如果是正常賬號則標記正常標簽，如果是異常賬號則標記異常標簽，從而獲取有標簽賬戶；

S3：采用文本特征提取方法對每個賬號的屬性信息進行特征提取，得到賬號屬性的文本特征；

S4：根據社交網絡賬號圖G＝(V,E,X)生成社交網絡的鄰接矩陣；

S5：根據需要構建基于深度學習的屬性特征映射網絡和結構特征映射網絡，其中屬性特征映射網絡用于將賬號屬性的文本特征映射得到賬號屬性向量，結構特征映射網絡用于將賬號屬性的文本特征所構成的文本特征矩陣結合社交網絡的鄰接矩陣映射得到賬號結構特征；

S6：設置屬性特征映射網絡輸出屬性向量的維數，并設置所有賬戶屬性向量所構成的最小超球體的中心屬性向量C_a，將各個賬號屬性的文本特征輸入屬性特征映射網絡，得到各個賬號對應的屬性向量，然后將屬性向量輸入至預先設置好的分類器中，得到該賬號為正常賬號和異常賬號的概率；然后計算步驟S2中得到的有標簽賬號的交叉熵損失和最小超球體損失，將兩項損失進行加權求和作為訓練的損失，對屬性特征映射網絡中的參數進行優化，實現對屬性特征映射網絡的訓練；

S7：設置結構特征映射網絡輸出結構向量的維數，并設置所有賬戶結構向量所構成的最小超球體的中心結構向量C_b，將各個賬號屬性的文本特征作為行向量構建得到文本特征矩陣，和鄰接矩陣一起輸入結構特征映射網絡，得到所有賬戶的結構向量構成的結構矩陣，從結構矩陣中提取出每個行向量作為對應賬戶的結構向量，然后將結構向量輸入至預先設置好的分類器中，得到該賬號為正常賬號和異常賬號的概率；然后計算步驟S2中得到的有標簽賬號的交叉熵損失和最小超球體損失，將兩項損失進行加權求和作為訓練的損失，對結構特征映射網絡中的參數進行優化，實現對結構特征映射網絡的訓練；

S8：對于社交網絡中的未標記標簽賬號，將步驟S3得到的賬號屬性信息的文本特征輸入至步驟S6訓練好的屬性特征映射網絡中，得到未標記標簽賬號對應的屬性向量；

將各個賬號屬性的文本特征作為行向量構建得到文本特征矩陣，和鄰接矩陣一起輸入步驟S7訓練好的結構特征映射網絡，得到所有賬戶的結構向量構成的結構矩陣，從中提取出未標記標簽賬號對應的結構向量；

S9：對于需要進行異常檢測的賬號，計算該賬號的屬性向量與中心屬性向量C_a之間的距離作為屬性評價分數，并計算該賬號的結構向量與中心結構向量C_b之間的距離作為結構評價分數，將屬性評價分數和結構評價分數進行加權求和作為該賬號的評價分數，當該評價分數大于預設的評價閾值時，則判斷該賬號為異常賬號，否則為正常賬號。

2.根據權利要求1所述的半監督社交網絡異常賬號檢測方法，其特征在于，所述步驟S3中文本特征提取方法采用基于詞袋模型的文本特征提取方法。

3.根據權利要求1所述的半監督社交網絡異常賬號檢測方法，其特征在于，所述步驟S5中屬性特征映射網絡采用深度神經網絡，結構特征映射網絡采用圖卷積神經網絡。