基于多任务学习的异常用户检测方法、系统及存储介质

    公开(公告)号:CN116680633B

    公开(公告)日:2024-01-26

    申请号:CN202310502512.7

    申请日:2023-05-06

    Abstract: 本发明公开了一种基于多任务学习的异常用户检测方法、系统及存储介质,本发明结合图卷积神经网络实现异常用户检测任务;采用知识图谱嵌入技术学习用户间的交互关系信息,同时分别对发出图和接收图分别进行嵌入表示。本发明从在线社交网络中用户之间的多种交互行为入手,考虑交互关系语义信息与用户标签之间的内在关联,实现交互关系学习任务与异常用户检测任务之间的信息共享补充,旨在通过任务间的内在关联来提升检测方法性能。实验结果显示,本发明能有效实现对异常用户的检测,并且检测性能显著提高;本发明显著优于解耦嵌入过程和检测过程的方式。本发明适用性高,仅基于用户(56)对比文件WO 2023014497 A1,2023.02.09CN 115687758 A,2023.02.03US 2022180065 A1,2022.06.09US 11102230 B2,2021.08.24US 2020137083 A1,2020.04.30US 2022092413 A1,2022.03.24马凡凡.基于多任务学习的短视频中用户行为预测研究.中国硕士学位论文全文数据库 (信息科技辑).2022,(第(2022)01期),I138-2225.何欢 等.基于传播时空特性的社交网络灰帽用户检测.计算机工程.2020,第47卷(第12期),192-199.郑倩倩.基于目标终端与社交数据的异常用户识别研究.中国硕士学位论文全文数据库 (信息科技辑).2023,(第(2023)01期),I138-144.Vashishth S 等.Composition-basedmulti-relational graph convolutionalnetworks.8th International Conference onLearning Representations.2020,1-15.Wang B 等.GANG: Detecting fraudulentusers in online social networks viaguilt-by-association on directedgraphs.2017 IEEE International Conferenceon Data Mining (ICDM).2017, 465-474.Misra I 等.Cross-stitch networks formulti-task learning.Proceedings of theIEEE conference on computer vision andpattern recognition.2016,3994-4003.Zhao Chen等.GradNorm: GradientNormalization for Adaptive Loss Balancingin Deep Multitask Networks.Proceedings ofthe 35th International Conference onMachine Learning.2018,794-803.Shun Fu等.Deep multi-granularitygraph embedding for user identity linkageacross social networks.Knowledge-BasedSystems.2020,第193卷1-6.Qing Xu 等.MlpE: Knowledge GraphEmbedding with Multilayer PerceptronNetworks.2022 IEEE Smartworld, UbiquitousIntelligence & Computing.2022,856 - 863.Chengyun Song等.User abnormalbehavior recommendation via multilayernetwork.PLoS One.2019,1-7.

Patent Agency Ranking