基于多特征融合的恶意信息检测方法、装置及系统.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115759110A(43)申请公布日2023.03.07(21)申请号202211359512.8(22)申请日2022.11.02(71)申请人重庆邮电大学地址400065重庆市南岸区南山街道崇文路2号(72)发明人李暾牛瑞草帅垚陈莉李茜庞育才肖云鹏王国胤(74)专利代理机构重庆辉腾律师事务所50215专利代理师王诗思(51)Int.Cl.G06F40/30(2020.01)G06F40/126(2020.01)G06F18/25(2023.01)H04L51/52(2022.01)权利要求书2页说明书8页附图2页(54)发明名称基于多特征融合的恶意信息检测方法、装置及系统(57)摘要本发明属于网络信息处理领域，具体涉及一种基于多特征融合的恶意信息检测方法、装置及系统；所述方法包括获取社交网络平台的传播信息，得到源文本、评论文本的句子级语义向量和源文本的字符级语义向量；分别得到源文本特征和评论文本特征；进行处理后得到源文本特征检测结果和评论文本特征检测结果；根据用户关系属性，构建出用户节点与其邻居节点之间的信息传播树，按照信息传播树构建出传播子图，对传播子图向量化，得到传播特征；进行处理后得到传播特征检测结果；采用基于时变函数的融合方法对源文本特征检测结果、评论文本特征检测结果与传播特征检测结果进行融合，检测出恶意信息。本发明能够更精确的尽早完成恶意信息的检测。CN115759110ACN115759110A权利要求书1/2页1.一种基于多特征融合的恶意信息检测方法，其特征在于，所述方法包括：获取社交网络平台的传播信息，所述传播信息包括信息文本和用户关系属性；对信息文本进行语义化编码，得到源文本和评论文本的句子级语义向量，以及源文本的字符级语义向量；根据源文本的字符级语义向量得到源文本特征；根据源文本和评论文本的句子级语义向量得到语义相关度，得到评论文本特征；将源文本特征和评论文本特征进行处理，得到源文本特征检测结果和评论文本特征检测结果；根据用户关系属性，构建出用户节点与其邻居节点之间的信息传播树，按照信息传播树构建出传播子图，对传播子图向量化，得到传播特征；将传播特征进行处理，得到传播特征检测结果；采用基于时变函数的融合方法将源文本特征检测结果、评论文本特征检测结果与传播特征检测结果进行融合，检测出恶意信息。2.根据权利要求1所述的一种基于多特征融合的恶意信息检测方法，其特征在于，所述根据用户关系属性，构建出用户节点与其邻居节点之间的信息传播树，按照信息传播树构建出传播子图，对传播子图向量化，得到传播特征包括以社交网络平台的用户为节点，以用户影响力属性作为边权重，用户间的转发和评论为边构建出传播子图。3.根据权利要求1所述的一种基于多特征融合的恶意信息检测方法，其特征在于，所述根据源文本和评论文本的句子级语义向量得到语义相关度，得到评论文本特征包括基于信息的源文本和评论文本的语义向量生成相关矩阵，依据相似度函数计算源文本和评论文本语义的相关性，将低相关度的评论文本过滤。4.根据权利要求3所述的一种基于多特征融合的恶意信息检测方法，其特征在于，所述依据相似度函数计算源文本和评论文本语义的相关性包括通过注意力机制计算得到源文本中各个字符的重要性评分，利用各源文本和评论文本的字符级语义向量之间的点积计算得到相关度，根据源文本和评论文本的字符级语义向量的重要性评分和相关度建立出相关矩阵；依次选择相关矩阵中每个评论文本对应的最大元素，去除该最大元素对应的源文本字符，直至遍历完所有源文本字符，使用所有评论文本对应的最大元素的平均数来表示源文本与评论文本之间的相关性。5.根据权利要求1所述的一种基于多特征融合的恶意信息检测方法，其特征在于，所述将传播特征进行处理，得到传播特征检测结果包括使用自适应加权池化方法，根据用户节点的用户影响力对用户节点进行排序，为用户节点赋予不同的池化权重参数，按照相应的池化权重参数将各个传播子图中的用户节点向量聚合成一个向量。6.根据权利要求1所述的一种基于多特征融合的恶意信息检测方法，其特征在于，所述采用基于时变函数的融合方法将文本特征检测结果与传播特征检测结果进行融合包括根据信息传播树的拓扑结构确定出当前信息文本所处的传播阶段，按照当前信息文本所处的传播阶段对各文本特征检测结果和传播特征检测结果以自适应权重进行融合。7.根据权利要求6所述的一种基于多特征融合的恶意信息检测方法，其特征在于，融合公式表示为：2CN115759110A权利要求书2/2页其中，R(f1,f2,f3,t)表示基于时变函数的融合函数，t表示当前信息文本所处的传播阶段，f1表示源文本特征检测结果，f2表示评论文本特征检测结果，f3表示传播特征检测结果；z表示特征受时间