[发明专利]一种生成对抗多关系图网络的训练方法和检测方法

说明书

本发明公开了一种用于检测机器账号的生成对抗多关系图网络模型的训练方法，所述训练方法包括：将平台建模成包含节点v和关系r的图其中，所述图的数量由所述关系r的类型数量确定；利用生成器G生成源节点v的虚假目标节点v^t；将采样的节点对(v，u)和(v，v^t)分别输入到连接关系判别器D中，重复训练所述连接关系判别器D；用训练好的所述连接关系判别器D推理所述图中的节点对，确定所述节点对的连接关系，进而更新图的结构；将节点的表征向量输入到分类器中，根据损失函数，反向传播更新模型的参数，进行多次训练，得到训练好的生成对抗多关系图网络模型。本发明同时公开了一种基于生成对抗多关系图网络模型的机器账号的检测方法。

技术领域

本申请涉及机器账号检测领域，尤其涉及一种用于检测机器账号的生成对抗多关系图网络模型的训练方法和检测方法。

背景技术

2016年以来已经发现了第三代机器账号，这些账号由于人为操作和自动化的混合程度加深，甚至从其他真实账号盗取信息，利用人工智能技术生成高可信的文本或图片，其行为更像真实人类账号，使得机器账号更加难以被检测识别。

目前已提出不少机器账号检测方法的专利。例如通过分析用户好友的社会关系来区分正常账户和机器人账户；使用对蜜罐账号的发帖和关注策略收集账号，从收集的账号中检测机器人账号，并利用检测出的机器人账号找到更多的机器人账号；从用户和消息两类实体出发，采用非负矩阵三分解的方法同时给出用户和消息的划分指示矩阵，检测异常用户和消息；使用K-均值(K-means)算法和DBSCAN结合的聚类算法对社交网络中的账户进行聚类，使用聚类后的聚类中心附近的数据和簇边界附近的数据来训练支持向量机分类器用训练得到的SVM分类器对机器账号进行检测；利用网络爬虫自动获取微博和其他社交网络用户数据，分成训练集和测试集，用训练集训练SVM算法的分类器，利用训练好的分类器对社交网络用户进行检测。

然而上述现有技术面临以下问题：依赖大量数据样本，检测模型提出不及时；现有检测方案利用收集到的机器账号数据进行分析训练，进而提出对应训练集的检测模型并获得较好的效果，但是这些方法的泛化性较差。

发明内容

(一)要解决的技术问题

针对上述现有技术中存在的问题，本发明提供了一种用于检测机器账号的生成对抗多关系图网络模型的训练方法和一种基于生成对抗多关系图网络模型的机器账号的检测方法，旨在降低对数据样本的依赖，并充分利用账号之间不同交互操作所形成的不同类型的关系，丰富对账号检测的维度，提高机器账号检测的泛化性。

(二)技术方案

本发明公开了一种用于检测机器账号的生成对抗多关系图网络模型的训练方法，其中生成对抗多关系图网络模型包括生成器G、连接关系判别器D和分类器，上述训练方法包括：将不同平台上的账号建模成节点v；将账号之间的交互操作建模成关系r，其中上述关系r的数量由账号之间交互操作的类型数量确定；将不同平台建模成包含节点和关系的图其中，上述图的数量由上述关系r的数量确定；采样成对相连的节点对(v，u)，利用上述生成器G生成源节点v的虚假目标节点v^t；将节点对(v，u)和(v，v^t)分别输入到上述连接关系判别器D中，用于训练上述连接关系判别器D，其中，当上述连接关系判别器D能够正确区分节点对(v，u)和(v，v^t)的连接关系后，停止对上述连接关系判别器D的训练；用训练好的上述连接关系判别器D推理上述图中的节点对，确定上述节点对的连接关系，进而更新图的结构；选取上述图中的一个节点，选择上述节点将被聚合的邻居节点；在同种关系下，聚合上述节点的邻居节点得到同种关系下的图嵌入向量；将上述节点在不同关系下的图嵌入向量进行向量运算得到不同关系下的上述节点的表征向量；将上述节点的表征向量输入到上述分类器中，根据上述生成对抗多关系图网络模型的损失函数，反向传播更新生成对抗多关系图网络模型的参数，当上述损失函数的输出的值不再发生变化后，则停止对生成对抗多关系图网络的训练，得到训练好的生成对抗多关系图网络模型。