[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

说明书

本发明公开了一种基于图神经网络的机器账号识别及伪装对抗方法，本发明是基于图神经网络的机器账号识别是通过网络模型，学习到每一个用户节点的嵌入表示，在用户节点嵌入中将用户节点和其邻居节点之间的交互关系融合表示，在检测机器账号时，用户节点的嵌入表示中包含该用户节点和其他用户节点交互的丰富信息，所以基于该嵌入表示可以非常准确地达到检测目的，从而最终提高机器账号检测的准确率。

技术领域

本发明涉及计算机技术领域，特别是涉及一种基于图神经网络的机器账号识别及伪装对抗方法。

背景技术

随着互联网服务的蓬勃发展，人们的生活已经和互联网交织在一起，许多社交生活和信息获取的渠道也都由线下转向了线上，为人们的生活提供了很多的便利，但在便利的生活之余，诞生了一种由软件控制的机器账号，称之为社交机器人。例如恶意社交机器人是经过精心策划以实现在社交媒体上针对大规模舆论事件的方向进行操纵，例如引导各种政治事件的舆论导向等等。另外，机器账号还负责传播可信度较低的信息或一些极端的意识形态，以及增加网民在线讨论的混乱程度，等等。

而自从机器账号开始在社交网络中泛滥，就有许多针对机器账号的检测研究。但现有方法针对机器账号的检测都是以多维空间中独立的点组成的社交数据集的形式进行研究的，并不会将每个用户作为一个独立的数据点进行研究，所以现有机器账号检测的准确率较低，所以如何提高机器账号检测的准确率成为现在亟待需要解决的问题。

发明内容

本发明提供了一种基于图神经网络的机器账号识别及伪装对抗方法，以解决现有技术中不能很好地对机器账号进行准确识别的问题。

第一方面，本发明提供了一种基于图神经网络的机器账号识别方法，该方法包括：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；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。

可选地，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y_v，最终使预测得到的用户节点的标签值更为准确；

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

可选地，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。

可选地，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。

可选地，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，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。