[发明专利]针对关系网络添加扰动的方法及装置

说明书

本说明书实施例提供一种针对关系网络添加扰动的方法和装置，在针对关系网络添加扰动时，仅考虑候选边所涉及的特征发生变化的节点，利用局部贪心算法，大大减少了计算量，提高针对关系网络添加扰动的效率。经过多次的迭代，可以以最少的代价，确定对关系网络的最大扰动，从而提高增加扰动的有效性。进一步地，利用添加扰动的关系网络，还可以生成对抗样本，增加关系网络的安全性和有效性。

技术领域

本说明书一个或多个实施例涉及计算机技术领域，尤其涉及通过计算机进行针对关系网络添加扰动的方法和装置。

背景技术

现实世界中存在多种多样的关系网络，例如，人际关系网络、消费关系网络，等等。这些关系网络可以通过图数据来描述。在图数据中，可以直观地通过连接边来描述实体之间的关系。图数据蕴含着丰富的可挖掘价值，然而由于其结构复杂，为图的机器学习任务带来了巨大的挑战。为此，提出了图卷积神经网络，用于处理图数据。图卷积神经网络可以包含节点的变换、聚合、更新的迭代过程，实现节点分类、链接预测、社区发现等图任务。

然而，图卷积神经网络可能受到攻击。例如，攻击者修改图数据中很少的边，就可以使图卷积神经网络模型对目标节点输出一个错误的类别。研究如何选取最少的边，使得图卷积神经网络输出一个攻击者想要的结果，可以称之为图卷积神经网络的对抗攻击算法。研究图数据的对抗攻击算法对于应用于大规模数据集上图模型的鲁棒性测试有着重大的意义，以现实世界中的社交网络(人际关系网络)为例，微博、知乎等社交网络都有着很大规模的用户量，而其图数据是可获取的，图对抗攻击的快速算法有助于快速发现模型潜在的威胁。

为了研究大规模数据集上的图卷积神经网络模型的鲁棒性，本说明书实施例提供一种针对关系网络添加扰动的方案，通过该方案对关系网络模拟攻击，可以在较低的攻击代价下输出一个有效的图对抗结构。

发明内容

本说明书一个或多个实施例描述了一种针对关系网络添加扰动的方法和装置，可以提高关系网络的有效性。

根据第一方面，提供了一种针对关系网络添加扰动的方法，所述关系网络用于通过多个节点描述各个节点分别对应的各个实体之间的关联关系，具有直接关联关系的实体对应的节点之间通过连接边互相连接，所述方法包括：

基于当前关系网络中各个节点之间的连接关系，为所述关系网络确定用于进行扰动的至少一个候选边，单个候选边为，当前关系网络中存在的连接边，或者用于连接不存在直接关联关系的节点的边；

获取用于处理所述关系网络的R层图卷积神经网络各个隐层分别对应的R个模型参数集；

基于所述R个模型参数集，针对各个候选边，分别确定各个扰动分数，其中，单个扰动分数基于相应候选边使得其各个相关节点的分类指标的偏移程度确定，所述相关节点属于，作为相应候选边的端点的节点、所述端点的R阶内的邻居节点构成的节点集，所述分类指标与所述图卷积神经网络第R个隐层的输出结果相关；

选择对应于最大扰动分数的候选边作为扰动边，为当前关系网络添加扰动。

在一个实施例中，所述候选边包括第一候选边，所述第一候选边的相关节点包括第一节点，经所述图卷积神经网络利用当前关系网络为所述第一节点确定的分类指标中，由大到小的两个类别依次为第一类别、第二类别，所述第一节点的分类指标的偏移程度通过以下第一项与第二项的差描述：

所述第一项为，利用所述第一候选边扰动后的关系网络的情况下，所述第一节点在所述第一类别上的分类指标与所述第一节点在所述第二类别上的分类指标的差；

所述第二项为，利用当前关系网络的情况下，所述第一节点在所述第一类别上的分类指标与所述第一节点在所述第二类别上的分类指标的差。

在一个实施例中，单个候选边对应的扰动分数通过以下任一方式确定：

对所述单个候选边的各个相关节点的分类指标的偏移程度的量值进行叠加；