[发明专利]一种基于动态迭代快速梯度的用户隐私保护方法

权利要求书

1.一种基于动态迭代快速梯度的用户隐私保护方法，包括以下步骤：

(1)对于博客网络，所述博客网络由政治博客数据构建得到，其中，节点表示博客，连边表示从博客首页自动爬取的博文，采用博客网络和对应的真实类标训练图卷积神经网络，并确定图卷积神经网络参数；

(2)根据图卷积神经网络参数，以博客网络中目标节点重连边前后的交叉熵作为隐藏目标函数，并计算隐藏目标函数对邻接矩阵的梯度信息，再综合上一次的梯度信息计算动量信息，根据获得的动量信息对博客网络对应的邻接矩阵进行更新。

2.如权利要求1所述的基于动态迭代快速梯度的用户隐私保护方法，其特征在于，在训练图卷积神经网络时，图卷积神经网络前向传递的表达式为：

其中，X为博客网络G中节点的特征矩阵，为的度矩阵，为博客网络G带有自连接的邻接矩阵，I为单位矩阵，A为博客网络G的邻接矩阵，W₀∈R^C×H和W₁∈R^H×|F|分别是输出层到隐藏层和隐藏层到输出层的权重，F为类标集合，f(·)和σ(·)分别是softmax激活函数和Relu激活函数；

并以目标函数L为目标，更新图卷积神经网络参数，

其中，V_L为含有类标的节点集合，F为类标集合，Y为真实类标矩阵，若第l个节点v_l的类标为h，则Y_lh＝1，否则Y_lh＝0，Y_l^′_h(A)为图卷积神经网络的输出结果。

3.如权利要求2所述的基于动态迭代快速梯度的用户隐私保护方法，其特征在于，在训练图卷积神经网络时，采用快速梯度下降法来更新图卷积神经网络中第i层权重W_i：

其中，η是学习率，W_i包含第i个输出层到隐藏层的权重W_i,0和第i个输出层到隐藏层的权重W_i,1。

4.如权利要求1所述的基于动态迭代快速梯度的用户隐私保护方法，其特征在于，对目标节点t构建的隐藏目标函数L_t为：

其中，F为类标集合，Y为真实类标矩阵，若第l个节点v_l的类标为h，则Y_th＝1，否则Y_th＝0，Y′_th(A)为图卷积神经网络的输出结果；

将隐藏目标函数L_t对邻接矩阵A进行求导，获得梯度矩阵

其中，i和j为节点索引。

5.如权利要求1所述的基于动态迭代快速梯度的用户隐私保护方法，其特征在于，在计算动量信息之前，还需要构建梯度网络g：

在梯度网络g中，任何节点对间都具有一个数值，若该数值为正，则表示在该节点对间增加连边以使隐藏目标函数L_t增大，否则，表示删除该节点对间的连边以使隐藏目标函数L_t增大。

6.如权利要求5所述的基于动态迭代快速梯度的用户隐私保护方法，其特征在于，所述综合上一次的梯度信息计算动量信息包括：

第k次迭代产生的动量如下：

其中，μ为衰减因子，‖g^k-1‖₁为上一代梯度网络g^k-1的一范数。

7.如权利要求6所述的基于动态迭代快速梯度的用户隐私保护方法，其特征在于，所述根据获得的动量信息对博客网络对应的邻接矩阵进行更新包括：

从动量中选择出元素绝对值最大的节点对，若绝对值最大的元素为正，则在该节点对间增加连边，否则，表示删除该节点对间的连边，以更新邻接矩阵得到注意