[发明专利]一种基于图神经网络的机器账号识别及伪装对抗方法

权利要求书

1.一种基于图神经网络的机器账号识别及伪装对抗方法，其特征在于，包括：

在第一预设关系下，基于所述第一预设关系的图神经网络GNN对该图神经网络GNN下各个用户节点的标签进行预测，得到所述第一预设关系下各用户节点的标签值；

根据所述各用户节点标签值确定所述用户节点与其邻居节点的相似度，具体是运用多层感知机对用户的标签进行预测，用户标签预测结果的曼哈顿距离来代表两个用户之间的相似度；

根据所述图神经网络GNN和所述相似度，按照第一预设相似度阈值来聚合所述用户节点和其相似的邻居节点，并过滤不相似的邻居节点，得到所述第一预设关系下所述用户节点的嵌入表示；

重复执行上述步骤，获得其他预设关系下用户节点的嵌入表示；

将不同预设关系下的用户节点的嵌入表示按照对应预设关系下的预设相似度阈值进行聚合，得到最终的嵌入表示，并基于该最终的嵌入表示判断用户节点是否是机器账号。

2.根据权利要求1所述的方法，其特征在于，所述根据所述各用户节点标签值确定所述用户节点与其邻居节点的相似度之后，所述根据所述图神经网络GNN和所述相似度，按照第一预设相似度阈值来聚合所述用户节点和其相似的邻居节点之前，所述方法还包括：

根据损失函数来对所确定的相似度进行修正，使预测得到的用户节点的标签值越来越接近预设的用户节点的标签，最终使预测得到的用户节点的标签值更为准确；

其中，代表网络的第层，代表用户，代表第层第个节点的嵌入表示，表示预设的第个用户节点的标签值，为预测得到的用户节点的标签值。

3.根据权利要求1所述的方法，其特征在于，

所述标签为预先根据所述用户节点的特征而设置的，且所述标签值的范围在0-1之间，表示所述用户节点属于机器节点概率值。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：通过强化学习来获取每种预设关系所对应的预设相似度阈值，以过滤掉具有伪装行为的不相似节点。

5.根据权利要求4所述的方法，其特征在于，所述通过强化学习来获取每种预设关系所对应的预设相似度阈值，包括：

预设初始的相似度阈值，并通过多臂伯努利机B(A，f，T)计算的两次相邻训练过程的相似度的平均值，通过平均相似度差值来对得到的预设相似度阈值进行调整，直到得到最优相似度阈值，并将该最优相似度阈值作为对应的预设关系预设相似度阈值；其中，A为是动作空间，f为奖励函数，T为终止条件。

6.根据权利要求5所述的方法，其特征在于，所述通过多臂伯努利机B(A，f，T)计算的两次相邻训练过程的平均相似度差值，通过该平均相似度差值来对得到的预设相似度阈值进行调整，直到得到最优相似度阈值，包括：

通过所述奖励函数基于用户节点与其邻居节点两次相邻训练过程的相似度的平均值来对所述预设的初始的相似度阈值进行奖惩的调整，如果本次训练进程与上次进程相比较，用户节点与其邻居节点的相似度的平均值更小，则对本轮动作进行奖励，反之则惩罚；

所述动作空间A根据所述奖励函数的奖励触发则对相似度阈值加上一个预设固定数值，并根据所述奖励函数的惩罚触发则对相似度阈值减去一个所述预设固定数值，且所述预设固定数值在0至1之间；

当满足所述终止条件，则将当天的相似度阈值确定为最优的相似度阈值。

7.根据权利要求6所述的方法，其特征在于，所述当满足所述终止条件，则将当天的相似度阈值确定为最优的相似度阈值，包括：

当连续预设数量个训练进程的奖励函数之和小于预设数值，则确定满足所述终止条件，将当天的相似度阈值确定为最优的相似度阈值。

8.根据权利要求1-6中任一项所述的方法，其特征在于，所述根据所述图神经网络GNN和所述相似度，按照第一预设相似度阈值来聚合所述用户节点和其相似的邻居节点，并过滤不相似的邻居节点，还包括：

根据所述第一预设关系的图神经网络GNN和所预测的相似度，按照第一预设相似度阈值来聚合与所述用户节点相似的top-p邻居节点，并过滤不相似的邻居节点，其中，p为自然数。