欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2020113078989
申请人: 南京邮电大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于图注意力网络的欺诈用户检测模型构建方法,其特征在于,包括以下步骤:步骤1)将带标签的用户信息数据集进行分组,分离出用户评论文本内容,用于提取用户特征和文本内容特征;

步骤2)导入步骤1)中所述分组后的用户信息并进行预处理,用多个特征来描述用户的行为特征和文本特征,以此来表征用户的评论行为;

步骤21)对步骤1)中所述的用户信息数据集进行预处理,然后提取用户行为特征和文本特征,组成m维特征向量,若用户数据有r条,则m个特征的连接表示为{F1,F2,…,Fm},构成向量矩阵为Mr×m;

步骤22)其中文本特征中的相似评论数量DSRN使用Simhash方法结合汉明距离来计算,通过统计汉明距离小于阈值的评论数目,从而得到相似评论数量;

步骤23)其中文本特征中的评论中特殊字符平均数量RSN使用正则表达式匹配评论特殊字符并统计数量;

步骤24)计算文本特征中的积极评论比例PR来进一步提取欺诈用户特征;

步骤3)导入步骤1)中所述分离出的用户评论文本内容,对文本内容进行预处理和预训练之后,用一个低维的向量来表达每个词,再把用户的评论文本内容映射到此向量空间中,获得一个维度相同的矩阵,然后计算评论同一款产品的用户评论之间的相似度平均值;

步骤4)构建用户‑用户网络,该网络表示为一个带权无向图,所述带权无向图顶点为用户信息特征向量,带权无向图的连接关系为只有评论同一款产品的用户之间才有边连接,带权无向图的权重为用户评论之间的相似度平均值,这样就构成一个揭露用户之间内在联系的网络;

步骤5)在用户‑用户网络中,所有顶点的特征向量组合成一个特征矩阵X,顶点之间的连接信息使用邻接矩阵A存储,网络中的顶点出入度信息使用度矩阵D存储;

步骤6)将包含用户信息的特征矩阵X和包含用户评论内容相似度的邻接矩阵A、包含顶点的数量关系的度矩阵D作为图注意力网络的输入,同时使用注意力机制聚合评论相同产品的用户信息,再结合边权重信息来学习新的特征并构建分类器,经过多次迭代训练生成检测欺诈用户的模型。

2.根据权利要求1所述的一种基于图注意力网络的欺诈用户检测模型构建方法,其特征在于,所述步骤1)包括如下步骤:

11)将打好标签的用户信息数据集中的所有信息按照产品分组,生成一个包含产品id、评论用户id、评论文本内容的数据集。

3.根据权利要求1所述的一种基于图注意力网络的欺诈用户检测模型构建方法,其特征在于,所述步骤22),包括以下步骤,步骤221)首先使用Jieba对单独用户评论构成的评论集进行分词,得到有效的特征向量;

步骤222)然后使用TF‑IDF来提取前20的关键字k并定义每个关键字的权重weight={wk1=40,…,wk20=2};

步骤223)再通过hash算法计算各个特征向量的hash值;在获取hash值的基础上,对所有特征向量进行加权W=hash×weight,若hash为1则和weight正相乘,为0则和weight负相乘;

步骤224)最后计算用户的评论之间的汉明距离,若汉明距离小于4则认定评论相似,再统计汉明距离小于阈值4的评论数目,得到相似评论数量DSRN。

4.根据权利要求2所述的一种基于图注意力网络的欺诈用户检测模型构建方法,其特征在于,所述步骤3),包括以下步骤:步骤31)使用步骤1)中的用户评论文本内容数据集,对此数据集中的评论文本内容进行预处理后,用Word2Vec模型对用户评论文本内容预训练;

步骤32)将词嵌入到一个向量r={w1,w2,…,wn}空间中,即包含n个词语,第N个单词wN经过Word2Vec模型映射后得到一个维度n为200的特征向量E(wN)=[e(w1),e(w2),…,e(w200)],这样,评论r被表示为200×n的特征矩阵E(r)=[E(w1),E(w2),…,E(wn)],再创建一个200维的零向量Vec={vec1,vec2,…,vec200},对特征矩阵E(r)按行相加得到新的向量使用零向量存放句子嵌入 其中|Words|为句子长度,然后使用余弦相似度计算用户i和用户j的评论之间相似度 其中|Veci|为Veci向量的长度。

5.根据权利要求4所述的一种基于图注意力网络的欺诈用户检测模型构建方法,其特征在于,所述步骤31)中,评论文本内容的预处理包括去除标点符号,对语句进行分词、去除字数小于5的评论。

6.根据权利要求1所述的一种基于图注意力网络的欺诈用户检测模型构建方法,其特征在于,所述步骤4),包括如下步骤:步骤41)构建用户‑用户网络 顶点矩阵 是步骤21)中所述的向量矩阵Mr×m,其中 是用户的数目;ε是顶点之间的连接关系,对于任何一个 与其他顶点的关系,定义为只有评论相同产品的顶点才相互连接,用矩阵A|v|×|v|表示顶点连接关系;其权重值W|v|×|v|定义为若顶点之间无连接,则wi,j=0,如果存在连接,那么其中K为用户i和用户j共同评论过的产品集合。

7.根据权利要求6所述的一种基于图注意力网络的欺诈用户检测模型构建方法,其特征在于,所述步骤5),包括如下步骤:步骤51)根据步骤41)中所述的用户‑用户网络 将其顶点矩阵 作为特征矩阵X;创建一个长度为|v|和维度为|v|且值全为零的度矩阵D,并将X相加生成x|v|的特征向量,然后Di,i=xi,最后得到度矩阵D;A|v|×|v|+W|v|×|v|为邻接矩阵A。

8.根据权利要求7所述的一种基于图注意力网络的欺诈用户检测模型构建方法,其特征在于,所述步骤6),包括如下步骤:步骤61)图注意力网络主要由图卷积网络层和图注意力层组成,核心为图卷积网络层,其能对图结构提取有效信息;使用两层图卷积网络层来汇总二阶邻居的用户信息;

第一层图卷积网络层汇总第一阶邻居的用户信息,若输入为m维顶点矩阵X,则输出n维r×n顶点特征矩阵h′∈R 如公式(1)(2):

r×r r×r

其中,是规范化对称邻接矩阵,D∈R 为步骤51)中所述度矩阵D,A∈R 为步骤51)r×m m×n中邻接矩阵A,X∈R 为步骤51)中所述特征矩阵X,σ为激活函数;W0∈R 为初始全连接层权重矩阵,使用随机的值来初始化;

第二层图卷积网络层汇总第二阶邻居的用户信息,输入为第一层图卷积网络层输出r×mh′,输出m维顶点特征矩阵h″∈R 如公式(3):

n×k

其中,W1∈R 为第二层全连接权重矩阵,使用随机的值来初始化;

步骤62)在两层图卷积网络层之间加入图注意力层对邻居节点做聚合操作,实现对不同邻居权重的自适应分配;

(l)

在第l层图卷积网络h矩阵所对应的特征向量为 d 表示顶点的特征长度,经过一个以注意力机制为核心的聚合操作之后,输出的是每个顶点新的特征向量(l+1)d 表示输出的特征向量的长度;假设所述的用户‑用户网络 中心顶点为vi,前馈神经网络的权重参数为 为随机值,激活函数为LeakyReLU,负输入斜率α=0.2,权重系数αij计算如公式(4):其中,为顶点特征矩阵h的顶点vi的特征向量, 为顶点特征矩阵h的顶点vi的邻居vj的特征向量,Wi为第i层注意力层权重矩阵,||为拼接操作;完成上述权重系数的计算,按照注意力机制加权求和,顶点vi新的特征向量 如公式(5)所示:其中, 为中心顶点vi更新后的特征向量;

步骤63)通过两层图注意力层前向传播,获得模型的输出h″,再通过一个softmax函数输出分类结果,如公式(6)所示,y=softmax(h″)                                                    (6)其中y为输出类标签的概率分布,当得到待检测用户为欺诈用户的概率大于该用户为普通用户的概率值时,即判断该用户为欺诈用户;

在得到y后,使用交叉熵loss来计算y与标签的损失值,得到损失值后,反向传播计算参数的梯度,然后使用Adam优化方法进行梯度更新模型;训练500次后,基于图注意力网络的欺诈用户检测模型构建完成。