买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：大连理工大学

摘要：本发明属于人工智能领域，提出一种融合复杂关系的虚假评论者群体检测方法，用于在线交易平台上的虚假评论群体检测。本方法包括节点表征更新、模型训练和虚假评论群体检测三个阶段。本方法将训练好的模型应用在真实数据集下，既能识别出虚假评论者，也可以很好地将虚假评论者群体与正常评论者区分。本方法基于节点的复杂关系特征，充分利用评论者间有价值的关系信息，将嵌入过程与聚类检测过程整合，获得一种以目标为导向的虚假评论者群体检测模型，同时可以克服现有群体检测方法存在的普适性差、检测效果低下等问题。

主权项：1.一种融合复杂关系的虚假评论者群体检测方法，其特征在于，该融合复杂关系的虚假评论者群体检测方法使用基于注意力机制的图神经网络对评论网络中的评论节点进行表征更新；设计图重构损失和自监督分布损失进行模型训练，获得最优模型后应用于虚假评论者群体检测识别出评论网络中的虚假评论者群体；包括具体步骤如下：第一步，更新节点表征，获得重构图；基于注意力机制的图神经网络作为编码器；以节点的初始特征作为节点初始嵌入，在基于注意力机制的图神经网络上融入节点复杂关系，使得节点表征同时表达高阶结构特征与属性特征；1.1计算节点相似性；将节点限制于中心节点的一阶邻居节点内，计算公式如下：cij＝aWhi,Whj1式中，cij代表了节点j对于节点i的重要性，W代表权重矩阵；hi与hj分别代表节点i与节点j的特征向量；a代表计算节点相似性的函数；1.2计算复杂关系矩阵；通过考虑节点的高阶邻居节点，获得节点的复杂关系矩阵：M＝B+B2+…+Btt2式中，B为转换矩阵，当节点i和节点j之间存在边，Bij＝1di，其中di为节点的度；当节点i和节点j之间不存在边，Bij＝0；矩阵M代表复杂关系矩阵，Mij为节点i和节点j在t阶下的复杂关系；1.3融合复杂关系；以单层前馈神经网络为计算方式，将复杂关系矩阵M与基于注意力机制的图神经网络融合，具体为将复杂关系矩阵与节点相似性相乘；选择LeakyReLU作为激活函数，融合复杂关系，节点j对节点i的重要性表达式被重写为： 1.4更新节点表征；softmax函数对邻居节点的重要性做归一化处理，使一阶邻居节点对中心节点的重要性分布在[0，1]之间，聚合邻居节点的特征以更新节点表征； 式4中，αij代表归一化后的注意力系数；Ni代表节点i的一阶邻居集合；式5中，为节点i的相邻节点j在第l层上的表示，代表节点i在第l+1上的表示；节点最终表征经多层聚合获得；第二步，模型训练；设计图重构损失函数与自监督分布损失函数，更新基于注意力机制的图神经网络模型参数完成训练，具体步骤为：2.1计算图重构损失函数；根据编码器重构图的拓扑信息，计算邻接矩阵间差异获取重构图与原图的重构损失；公式为： 式中，为邻接矩阵；H为更新后的节点表征矩阵；σ为激活函数；2.2计算自监督分布损失函数；采用自监督的训练方式，采用伪标记优化节点嵌入表示；采用聚类算法对节点进行聚类，并采用DBSCAN聚类算法确定评论网络中的核心点，计算各节点与核心点之间的距离分布；使用KL散度作为损失函数，以衡量节点与核心点之间的距离分布与其伪标记的差异；2.3计算联合损失函数；联合损失函数表达式为：L＝Lr+βLc7式中，Lr为图重构损失函数，Lc为自监督分布损失函数，β两损失函数之间的权重；2.4模型训练，设定基于注意力机制的图神经网络模型的初始参数，基于联合损失函数，迭代训练过程，获得基于注意力机制的图神经网络模型的最佳参数；第三步，虚假评论群体检测；采用第二步获取的基于注意力机制的图神经网络模型，对真实评论网络进行检测，并保存检测结果。

全文数据：

权利要求：

百度查询： 大连理工大学 一种融合复杂关系的虚假评论者群体检测方法