[发明专利]GNN编码器及基于图上下文学习的异常点检测方法

说明书

本申请提出了一种基于图上下文学习的异常点检测方法，涉及计算机网络信息技术领域，其中，该方法包括：提出了CoGCL框架，利用图上下文对比学习来衡量异常与正常节点与图上下文的距离。为了达到对比学习的目的，本专利设计了一个图编码器，它可以一定程度去除可疑链接的同时，学习图上下文的表示。为了缓解标注数据的稀缺性影响，本专利额外将CoGCL扩展为一种无需标注数据的自监督预训练框架CoGCL‑pre。该框架通过一种图扰乱策略，可以自动生成伪标签来进行自监督学习。采用上述方案的CoGCL框架明显优于现有各种对比方法；其无需监督数据的自监督版本CoGCL‑pre可以达到与完全监督版本CoGCL相当的效果，并且解决了标注数据稀缺性对监督学习的影响。

技术领域

本申请涉及计算机网络信息技术领域，尤其涉及GNN编码器及基于图上下文学习的异常点检测方法。

背景技术

异常点检测对防止现实应用中的恶意活动有着深远的影响，如恶意评论的检测和错误信息检测等。因为图可以用来自然地建模数据背后的依赖关系，所以基于图的异常点检测方法成了发展主流。近来，随着图形神经网络(GNNs)的发展，利用GNNs来高效检测异常点的方法层出不穷。其主要思想是利用GNNs学习节点的表示，随后基于分类器区分成正常或异常节点。

发明内容

本申请旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本申请的第一个目的在于提出一种GNN编码器，与现有GNN模型不同，所述GNN编码器额外添加了边更新器来移除结点间的可疑链接，以及图更新器来更新图表示。

本申请的第二个目的在于提出一种基于图上下文学习的异常点检测方法，解决了现有异常点检测方法都集中在图结构特征工程或学习上，实现了利用图上下文对比学习来衡量异常与正常节点与图上下文的距离。

为达上述目的，本申请第一方面实施例提出了一种GNN编码器，包括：

边更新器，在每层GNN编码开始时，估算每条边的可疑概率，并根据所述每条边的可疑概率移除可疑链接，以实现对邻接矩阵的调整；

节点表示更新器，根据调整后的所述邻接矩阵聚合节点的邻居信息，对当前节点的向量表示进行更新，得到更新后的节点向量；

图表示更新器，根据更新后的所述节点向量以及上一层的图表示来更新当前的图表示。

可选地，在本申请实施例中，在所述边更新器中，对所述每条边进行更新的公式为：

A^l＝f_edge(H^(l-1),A^(l-1),q^(l-1))

其中，A^l为更新后的邻接矩阵，A^(l-1)为上一层的邻接矩阵，H^(l-1)为上一层的结点向量表示矩阵，q^(l-1)为图表示；

在所述节点表示更新器中，对节点表示进行更新的公式为：

H^l＝f_node(H^(l-1),A^l)

其中，H^(l-1)为上一次的结点向量表示矩阵，H^(l)为更新后的本层的结点向量表示矩阵，A^l为本层的邻接矩阵，f_node为结点表示的更新函数；

在所述图表示更新器中，对图表示进行更新的公式为：

q^(l)＝f_graph(H^(l),q^(l-1))