CN119416135A 融合对比学习与图神经网络的数据相似度查询方法及装置 （上海卓辰信息科技有限公司）

融合对比学习与图神经网络的数据相似度本申请的融合对比学习与图神经网络的数个候选异常请求并对其进行排序，得到K个相似2选择图注意力网络模型作为初始模型，对于每个请求节点，采样得到正样本节基于图注意力网络模型输出嵌入表示，构建请求节点异常判断根据用户发送的实时异常请求，基于M层最近邻索引搜索K个候选2.如权利要求1所述的融合对比学习与图神经网络的数据相似度查询方法，其特征在获取请求参数及请求结果数据，构建请求图，将每个请求映射动态更新请求图的邻接矩阵，所述邻接矩阵中的元素AY表示请求节点i和请求节点j之3.如权利要求2所述的融合对比学习与图神经网络的数据相似度查询方法，其特征在选择图注意力网络模型作为初始模型，用于学习请求节点的嵌入表基于三元组，建立正样本节点的嵌入表示与负样本节点的嵌入表示3入表示之间的正样本相似度，计算请求节点i的嵌入表示与负样本节点的嵌入表示之间的负样本相似度，将正样本相似度与所有负样本相似度的和进行对比，作为请求节点i的损4.如权利要求3所述的融合对比学习与图神经网络的数据相似度查询方法，其特征在利用训练好的图注意力网络模型输出当前请求节点的嵌入表示，计算请求节点i与每个邻居节点i'之间的欧氏距离dy，并计算请求节点i与NJ个邻居节点的欧氏距离之和占所有请求节点之间的欧氏距离之和的比计算请求节点i与所有邻居节点的平均欧氏距离相对于所有请求节点之间的平均欧计算请求节点i的请求发生次数ci相对于所有请求节点的请求发生次数均值的第一偏差程度Dci，计算请求节点i的异常标注次数相对于所有请求节点的异常标注次数均值o将比重和偏差程度相乘的结果，与第一偏差程度和第二偏差程度进行加权所述异常阈值包括常规阈值和自适应阈值，图注意力网络模型定期输出请求图中5.如权利要求4所述的融合对比学习与图神经网络的数据相似度查询方法，其特征在6.如权利要求5所述的融合对比学习与图神经网络的数据相似度查询方法，其特征在47.如权利要求6所述的融合对比学习与图神经网络的数据相似度查询方法，其特征在步骤S415：重复步骤S412~步骤S414，直到所有数据8.融合对比学习与图神经网络的数据相似度查询装置，其用于实现权利要求1_7中任异常请求判断模块，用于基于图注意力网络模型输出嵌入表示，构建请求相似异常搜索模块，用于根据用户发送的实时异常请求，基于对比学习与图神经网络的数据相似度查询方法机程序适于处理器进行加载，以执行如权利要求1_7任一项所述的融合对比学习与图神经5[0002]数据相似度查询是在大规模数据集中寻找与查询对象相似或相关数据的重要技[0009]步骤S400：将请求节点的嵌入表示作为数据点，使用HNSW算法构建M层最近邻索6的嵌入表示之间的正样本相似度，计算请求节点i的嵌入表示与负样本节点的嵌入表示之请求节点i与每个邻居节点之间的欧氏距离，并计算请求节点i与所有邻欧氏距离，计算请求节点i与NJ个邻居节点的欧氏距离之和占所有请求节点之间的欧氏dada均值的第一偏差程度，计算请求节点i的异常标注次数相对于所有请求节点的异常7时，利用常规阈值与异常分数进行比较，当请求节点的嵌入表示的分布发生显著变化;求图中检测到的新的请求节点插入M层最近邻8[0041]所述将请求图中检测到的新的请求节点插入M层最近邻索引的具体方法为：将新[0054]本申请提出的融合对比学习与图神经网络的数据相似度查询方法及装置相对于9[0059]图1为本申请提供的融合对比学习与图神经网络的数据相似度查询方法的方法流[0062]图4为本申请提供的融合对比学习与图神经网络的数据相似度查询装置的功能模[0075]所述请求节点i和请求节点j之间的相似度的计算公式为居节点中均匀随机采样一个节点作为正样本节点，邻居节点与请求节点i相连，语义上相的嵌入表示之间的正样本相似度，计算请求节点i的嵌入表示与负样本节点的嵌入表示之[0089]对于一个三元组，要优化的目标是使请求节点i与正样本节点的嵌入表示尽可能请求节点i与每个邻居节点i'之间的欧氏距离dy，并计算请求节点i与所有邻居节点的平均欧氏距离，计算请求节点i与NJ个邻居节点的欧氏距离之和占所有请求节点之间的欧氏均值c的第一偏差程度Dci，计算请求节点i的异常标注次数相对于所有请求节点的异常[0109]所述所有请求节点的请求发生次数均值的计算公式为其中，N为之间的欧氏距离之和的比重，为请求节点i与所有邻居节时，利用常规阈值与异常分数进行比较，当请求节点的嵌入表示的分布发生显著变化,计算历史异常分数的时间衰减权重wi，基于时间衰减权重wi对历史异常分数进行加权平[0130]所述控制衰减速率的超参数的值由本领域技术人员根据实际需求和经验进行设[0132]所述自适应阈值的计算公式为其[0136]步骤S400：将请求节点的嵌入表示作为数据点，使用HNSW算法构建M层最近邻索求图中检测到的新的请求节点插入M层最近邻[0143]HNSW算法的核心思想是维护一个M层的最近邻索引，每一层都是原始数据的一个[0152]所述将请求图中检测到的新的请求节点插入M层最近邻索引的具体方法为：将新[0153]由于插入新数据点造成的增量更新会导致M层最近邻索引的质量下降，需要定期[0154]所述M层最近邻索引为一个M层的图结构，每一层的图都是[0165]本步骤将实时异常请求的嵌入表示作为查询点，在最近邻索引中进行相似度检[0175]根据本申请实施方式的方法或系统也可以借助于下述的电