[发明专利]一种基于自我网络结构演化的社交媒体个体异常用户检测方法

权利要求书

1.一种基于自我网络结构演化的社交媒体个体异常用户检测方法，其特征在于，具体包括以下步骤：

步骤1：将T时刻的社交媒体用户交互状态表示为一个有向加权图G_T＝(V,E,W)，其中V代表顶点的集合，顶点用来表示用户；代表顶点集合构成的边集，边用来表示用户之间是否存在交互关系；W代表边的权重，权重用来表示用户之间的单向交互次数；

步骤2：基于时变分量构建可疑异常节点集合SAN-Set(T)；

步骤2.1：比较T时刻有向加权图G_T和T-1时刻有向加权图G_T-1，获取T时刻新插入的节点v⁺、T时刻相对于T-1时刻删除的节点v^-、T时刻相对于T-1时刻产生的新边e⁺的端点T时刻相对于T-1时刻删除的旧边e^-的端点T时刻相对于T-1时刻权重增加的边w⁺的端点T时刻相对于T-1时刻权重减小的边w^-的端点

步骤2.2：计算出所有时变分量的自我网络Egonet，取所有时变分量的自我网络的并集作为可疑异常节点集合SAN-Set(T)；

有向加权图G_T中，节点v_i∈V的自我网络Egonet表示为：与节点v_i距离为一跳，包含节点v_i，且与节点v_i构成强联通分量的所有节点的集合；

SAN-Set(T)＝Egonet^T(v⁺)∪Egonet^T-1(v^-)

Egonet(v_i)＝{v_i}∪{v_j|v_j∈V，e_ij∈E且e_ji∈E}

其中，e_ij表示节点v_i指向v_j的有向边；e_ji表示节点v_j指向v_i的有向边；v⁺为T时刻新插入节点；

步骤3：构建可疑异常节点的核心网Core-net；

步骤3.1：计算可疑异常节点的超自我网络Super-Egonet；

有向加权图G_T中，节点v_i∈V的超自我网络Super-Egonet表示为：与节点v_i距离为两跳，包含节点v_i，且与节点v_i构成强联通分量的所有节点的集合；

Super-Egonet(v_i)＝{Egonet(v_i)}∪{Egonet(v_j)|v_j∈V，e_ij∈E且e_ji∈E}

步骤3.2：计算可疑异常节点的超自我网络Super-Egonet中包含的节点与可疑异常节点的亲密度Closeness；

有向加权图G_T中，节点v_i∈V，且v_j≠v_i，从节点v_i到v_j能构成n个强联通分量，即有n条路径，第k条路径依次经过{v₀，v₁，v₂，...，v_j}，1≤k≤n，则节点v_i与v_j的亲密度为：

其中，表示节点v_m和v_m+1之间的有效权重；表示与节点v_m距离为一跳且与v_m构成强联通分量的所有节点的有效权重之和；

步骤3.3：计算可疑异常节点的核心网Core-net；

设置最小亲密度阈值K-Closeness，只有与待处理可疑异常节点亲密度大于阈值K-Closeness的节点才会被划入核心网Core-net，并且核心网Core-net的最大规模是两跳以内的邻居，即节点的超自我网络；

步骤4：计算可疑异常节点的异常分数Outlying-Score(v_i)，节点的异常分数越高，代表其发生异常的概率越大；

其中，Core-netT^-1(v_i)表示T-1时刻有向加权图G_T-1中节点v_i的核心网；Core-net^T(v_i)表示T时刻有向加权图G_T中节点v_i的核心网；C_old表示除节点v_i之外Core-net^T-1(v_i)和Core-net^T(v_i)的交集；C_removed＝Core-net^T-1(v_i)\C_old表示在T时刻从Core-net^T-1(v_i)中移除的邻居；C_new＝Core-net^T(v_i)\C_old表示在T时刻新增的邻居；

步骤5：按照可疑异常节点的异常分数大小进行排序，输出前n个最大的异常分数对应的可疑异常节点；根据有向加权图G_T，输出可疑异常节点对应的用户，完成对社交媒体个体异常用户的检测。