基于广度学习的异构社交网络敏感实体识别模型研究

发布时间：2021-09-05 17:15

　　当前互联网中广泛存在着敏感实体利用社交网络进行极端思想传播和联络潜在人员等行为。为解决网络安全治理工作中敏感实体发现的首要问题,本文提出了一种基于广度学习的多源异构社交网络环境下敏感实体识别模型,为新时代网络信息安全治理的"中国之治"提供参考。获取Twitter和Facebook两个异构社交网络实验数据集,采用广度学习网络嵌入技术将处理过后的敏感用户节点和推文节点嵌入同一低维特征空间,并将嵌入结果融合到矩阵因子分解框架中,实现多源异构敏感实体的识别工作。将多源数据与单源数据的识别结果进行对比,本文提出的模型具有更好的性能表现。 

【文章来源】：情报学报. 2020,39(06)北大核心CSSCICSCD

【文章页数】：10 页

【部分图文】：

HSNs中敏感实体识别相关技术

本文提出的敏感实体识别模型主要由有效信息提取、异构网络嵌入和敏感实体识别三个部分组成，模型结构如图3所示。首先，通过基于元路径的随机游走策略，生成节点序列并加以约束；然后，采用基于广度学习的网络嵌入技术将两个不同的大型HSNs中的用户节点和敏感项目节点映射到同一低维特征空间中；最后，引入一组融合函数用于学习用户和敏感项目的有效嵌入表示，并将最终表示融合到基于矩阵因子分解框架的关联度分数预测模型中，通过计算用户与敏感项目之间的关联度分数，识别出HSNs中潜在的敏感实体。3.2 模型研究

首先，分别为异构社交网络G(1)和G(2)中的所有用户节点定义一组元路径?k∈{?0,?1,?2,?,?n}，并采用基于元路径的随机游走模型作为遍历策略，分别生成G(1)和G(2)的所有节点序列P(1)和P(2)，以便捕捉HSNs中包含的复杂关系。以异构社交网络G(1)为例，给定一个元路径可以根据公式(1)所示的分布生成所需的游走路径，式中，nt是随机游走模型中的第t个节点；At是对象v的类型；表示与节点v一阶相邻的所有节点的集合。

【参考文献】：
期刊论文
[1]基于信息级联的网络意见传播及扭曲效应国外研究进展[J]. 魏建良,朱庆华.  情报学报. 2019(10)
[2]社交网络关键节点检测的积极效应问题[J]. 王新栋,于华,江成.  中国科学院大学学报. 2019(03)
[3]基于XGBoost方法的社交网络异常用户检测技术[J]. 袁丽欣,顾益军,赵大鹏.  计算机应用研究. 2020(03)
[4]知乎平台用户影响力分析与关键意见领袖挖掘[J]. 郭博,许昊迪,雷水旺.  图书情报工作. 2018(20)
[5]基于熵权灰色关联模型的重大突发舆情意见领袖识别研究[J]. 朱志国,张翠,丁学君,苗蕊.  情报学报. 2017(07)
[6]基于可信反馈的微博用户情绪异常预警模型研究[J]. 熊建英.  情报科学. 2017(04)
[7]基于双层采样主动学习的社交网络虚假用户检测方法[J]. 谭侃,高旻,李文涛,田仁丽,文俊浩,熊庆宇.  自动化学报. 2017(03)
[8]基于用户聚类的异构社交网络推荐算法[J]. 陈克寒,韩盼盼,吴健.  计算机学报. 2013(02)



本文编号：3385758