CN115859793B 基于注意力的异构信息网络用户异常行为检测方法及系统 （河北工业大学）

基于注意力的异构信息网络用户异常行为本发明为一种基于注意力的异构信息网络数据的每个节点代表异型信息网络的一个组成知机压缩为由各个节点的预测标签纵向堆叠而方法利用注意力机制在消息传播过程中自动捕2W,rswl)(6)r表示异构信息网络中边3将各个节点属性表征通过多层感知机压缩为由各个节点的预测标签纵向堆叠而成的练后的用户异常行为检测模型；将待检测的异构信息网络的历史交互数据转换为图数据，2.根据权利要求1所述的基于注意力的异构信息网络用户异常行为检测方法，其特征4[0002]异构信息网络是指不同组成对象因某种联系而形成的关系网络，例如引文网络、56[0033]根据式(5)和(12)对各个节点属性表征进行梯度更新，直至所有节点属性表征收[0035]将各个节点属性表征通过多层感知机压缩为由各个节点的预测标签纵向堆叠而7标函数x(H)为：[0051]Y(n)=-2k(x,h)-Azanee8[0061]式(4)中，N(i)表示节点i的邻居节点集合，p-1)表示高斯核函数的反函数，间传播公式为：9[0074]式(9)和式(10)中，分别表示层间传播后第l和l[0077]式中，表示层归一化后第l[0081]根据式(5)和(12)对各个节点属性表征进行梯度更新，直至所有节点属性表征收[0083]将各个节点属性表征通过多层感知机压缩为由各个节点的预测标签纵向堆叠而练，随机选取图数据G中的部分节点或边进行训练，将每种标签对应的60％节点作为训练户n的行为检测为行为q的概率，表示由各个节点的预测标签纵向堆叠而成的一维列向[0088]A=H据的原始邻接矩阵为A的概率，p(H|X,A)表示在已知属性与拓扑信息时预测得到的模型输可以通过处理器中的硬件的集成逻辑电路或者软件形式的本发明的用户异常行为检测模型和现有技术中常见的图神经网络模型进行节点分类任务，本发明的用户异常行为检测模型采用注意力机制自动挖掘用户行为特征并将其特征与可[0096]表1为各个模型在十一个真实数据集上进行节点分类任务的准确率统计结果，其此对于恶意差评的有效检测有利于保证影评的公正性。KDD1999是网络异常检测的基准数据集，包含7,000,000多个网络连接记录，包括在军事网络环境中模拟的多种异常数据。常行为检测模型与4种现有经典的嵌入方法模型及7种基于图神经网络的深度学习模型进的用户异常行为检测模型相较于现有的图神经网络模型在真实数据集上取得了不错的效虑到异构信息网络中的多种类型的节点和边，不同类型的节点相连代表不同的语义信息，[0106][1]ThomasN.KipfandMaxWelling.Semi_supervisedclassificationwithgraphconvolutionalnetworks.InICLR,2017.[0107][2]PetarVelickovic,GuillemCucurull,ArantxaCasanova,AdrianaRomero,PietroLiò,andYoshuaBengio.Graphattentionnetworks.InICLR[0108][3]MichaelSchlichtkrull,ThomasNKipf,PeterBloem,RianneVanDenBerg,IvanTitov,andMaxWelling.Modelingrelationaldatawithgraphconvolutionalnetworks.InEuropeansemanticwebconference,pages593–607.Springer,2018.[0109][4]XiaoWang,HouyeJi,ChuanShi,BaiWang,YanfangYe,PengCui,andPhilipSYu.Heterogeneousgraphattentionnetwork.InWWW,pages2022–2032,2019.[0110][5]SeongjunYun,MinbyulJeong,RaehyunKim,JaewooKang,aKim.Graphtransformernetworks.NeurIPS,32:11983–11993,2019.[0111][6]ShichaoZhu,ChuanZhou,ShiruiPan,XingquanZhu,andBinWang.Relationstructure_awareheterogeneousgraphneuralnetwork.InICDM,pages1534–1539.IEEE,2019.[0112][7]ChuxuZhang,DongjinSong,ChaoHuang,AnanthraChawla.Heterogeneousgraphneuralnetwork.InSIGKDD,pages793–8[0113][8]XinyuFu,JianiZhang,ZiqiaoMeng,andIrwinKing.Magnn:Metapathaggregatedgraphneuralnetworkforheterogeneousgraphembedding.InWWW,pages2331–2341,2020.[0114][9]HuitingHong,HantaoGuo,YuchengLin,XiaoqingYang,ZangLi,andJiepingYe.Anattention_basedgraphneuralnetworkforheterogeneousstructurallearning.InAAAI,number[0115][10]ZiniuHu,YuxiaoDong,KuansanWang,andYizhouSun.Heterogeneousgraphtransformer.InWWW,pages2704–2710,2020.[0116][11]QingsongLv,MingDing,QiangLiu,YuxiangChen,WenzhengFengHe,ChangZhou,JianguoJiang,YuxiaoDong,andJieTang.Arewereallymakingmuchprogress？:Revisiting,benchmarkingandrefiningheterogeneousgraphneuralnetworks.InSIGKDD,pages1150–1160,2021.[0117][12]Y