[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

说明书

本发明公开了一种基于动态迭代快速梯度的用户隐私保护方法，包括：(1)对于原始网络，采用原始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，以原始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原始网络对应的邻接矩阵进行更新。该用户隐私保护方法能够快速有效地隐藏用户的信息，实现对用户隐私的保护。

技术领域

本发明属于网络隐私保护领域，具体涉及一种基于动态迭代快速梯度的用户隐私保护方法。

背景技术

在现实生活中存在许多网络结构，社交网络便是其中一种。社交网络中的各个节点表示人，连边表示人与人之间的交流信息或者朋友关系。第三方可以依照节点间的连边关系可以提取每个节点的特征，进而对它们进行各种分析，例如将他们划分进不同的簇中，或者预测他们可能感兴趣的人或事。当下有许多图嵌入模型被提出，为分析社交网络的结构与特征提供了新的方法。

图嵌入算法的目的是将网络结构映射到一个低维空间中，从而将传统的网络分析问题转化为数学问题进行求解。受word2vec启发，skip-gram模型被广泛的应用于图嵌入领域，产生了大量的图嵌入算法，例如Deepwalk，LINE和node2vec算法。它们通常将随机游走应用于节点序列中，并且将这些节点序列视作word2vec模型中的句子。与基于skip-gram模型的图嵌入算法不同，图卷积网络(GCN)是一种基于深度学习的图卷积算法。它学习局部图结构和节点特征并将其映射到隐藏层中。图卷积网络仅仅需要少量节点标签就可以有效地将网络中所有节点映射到低维空间中，这是其他算法不能比拟的。

虽然图嵌入算法在网络分析领域获得了巨大的成功，但是它也造成了许多信息泄露问题，隐私保护也变得越来越受到人们的关注。与第三方期望获得更多的信息不同，许多用户不希望自己的信息被用于商业活动当中，例如政治家的政治交流，便衣警察的调查活动等等。这些人均不希望自己的标签属性被第三方发现并加以利用。对于这种情况，需要借助网络隐私保护算法，它通过对网络结构进行较小的改动实现目标节点分类结果的较大变动，从而影响下游各网络分析算法的结果。

对于一个庞大的网络，不同的部分对目标节点属性的影响是不同的。因此需要借助合适的模型来寻找这些对目标节点属性影响最大的连边组合。

发明内容

本发明的目的是提供了一种基于动态迭代快速梯度的用户隐私保护方法，该用户隐私保护方法能够快速有效地隐藏用户的信息，实现对用户隐私的保护。

本发明的技术方案为：

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)对于原始网络，采用原始网络和对应的真实类标训练图卷积神经网络(GraphConvolutional Network，GCN)，并确定图卷积神经网络参数；

(2)根据图卷积神经网络参数，以原始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原始网络对应的邻接矩阵进行更新。

本发明中提供的用户隐私保护方法中，借助GCN来搜索重连边的最优解，如此一来，度量目标节点的属性变化就被转化为度量目标节点特征向量的变化问题。考虑到基于梯度的简单迭代容易陷入局部最优的情况，在更新邻接矩阵时还考虑上一次的梯度信息，将两次的梯度信息合并为动量信息决定搜索方向，从而帮助算法跳出局部最优点并增加算法的可迁移性。

优选地，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：