[发明专利]一种基于图神经网络的异构图中社交机器人检测方法

权利要求书

1.一种基于图神经网络的异构图中社交机器人检测方法，其特征在于，包括：

S1、社交网络异构图处理：获取社交网络异构图，将社交网络异构图进行图神经网络处理，获得训练集，训练集包括节点特征向量；

S2、社交网络社区分类：使用多重随机投影树算法，用索引对最近邻进行近似搜索将获得的训练集进行分类；

S3、社交网络节点预测：根据训练集分类出的社区，当所预测节点属于社交机器人社区，判定该账户属于社交机器人。

2.根据权利要求1所述的一种基于图神经网络的异构图中社交机器人检测方法，其特征在于，社交网络异构图处理具体步骤为：

步骤S101、社交网络节点内容转换：对于类别为A的节点，其中A∈G_C，G_C为社交网络节点类别的集合，社交网络节点v∈V_A，进行转换：其中是原始的特征向量，是映射后的社交网络节点v的特征向量，是对于为A类型社交网络节点的参数化权重矩阵；

步骤S102、元路径内特征学习：基于社交网络元路径P的邻居以及上下文中的信息和结构进行编码来学习嵌入目标社交网络节点，使用元路径实例编码器把社交网络元路径P上所有社交网络节点特征转换为单个向量，再使用图注意力层对目标社交网络节点及相关社交网络路径实例进行加权和再归一化处理，最后经过一个激活函数获得所求社交网络元路径的特征向量；

步骤S103、元路径间特征学习：在获取不同社交网络元路径的特征向量后，将目标社交网络节点所涉及的元路径特征向量进行聚合。

3.根据权利要求1所述的一种基于图神经网络的异构图中社交机器人检测方法，其特征在于，社交网络社区分类具体步骤为：

步骤S201、使用最大余弦距离1.0作为初始化阈值，逐渐减小余弦值直至截止值Cutoff，使用多数投票进行社交机器人的标签传播；

步骤S202、使用余弦值0.25当作初始阈值，逐渐更新增大直到阈值的最大值，所有社交网络账户都被标记或者阈值增大到最大值标记结束。