图节点异常检测方法及装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113822313A(43)申请公布日2021.12.21(21)申请号202110433543.2(22)申请日2021.04.20(71)申请人京东科技控股股份有限公司地址100176北京市大兴区经济技术开发区科创十一街18号C座2层221室(72)发明人陈振兴刘博王美青(74)专利代理机构北京英赛嘉华知识产权代理有限责任公司11204代理人王达佐马晓亚(51)Int.Cl.G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书3页说明书11页附图4页(54)发明名称图节点异常检测方法及装置(57)摘要本申请公开了一种图节点异常检测方法及装置。方法的一具体实施方式包括：获取待检测图；将待检测图输入预先训练的、基于生成对抗网络的异常检测模型，确定表征待检测图中的每个节点的异常程度的异常值，其中，异常值根据待检测图与目标图中相对应的节点之间关于节点特征的第一误差，以及相对应的节点之间关于结构特征的第二误差确定，目标图由异常检测模型中的生成网络参照待检测图生成；根据待检测图中的每个节点的异常值，确定待检测图中的异常节点。本申请提供了一种基于生成对抗网络的图节点异常检测方法，提高了节点异常检测的准确度。CN113822313ACN113822313A权利要求书1/3页1.一种图节点异常检测方法，包括：获取待检测图；将所述待检测图输入预先训练的、基于生成对抗网络的异常检测模型，确定表征所述待检测图中的每个节点的异常程度的异常值，其中，所述异常值根据所述待检测图与目标图中相对应的节点之间关于节点特征的第一误差，以及相对应的节点之间关于结构特征的第二误差确定，所述目标图由所述异常检测模型中的生成网络参照所述待检测图生成；根据所述待检测图中的每个节点的异常值，确定所述待检测图中的异常节点。2.根据权利要求1所述的方法，其中，所述将所述待检测图输入预先训练的、基于生成对抗网络的异常检测模型，确定表征所述待检测图中的每个节点的异常程度的异常值，包括：通过所述生成网络生成所述目标图，并通过编码器分别生成对应于所述待检测图和所述目标图的编码矩阵；根据所述待检测图和所述目标图各自对应的编码矩阵，确定所述待检测图和所述目标图各自对应的邻接矩阵；确定所述待检测图与所述目标图中相对应的节点之间关于节点特征的第一误差，以及根据所述待检测图和所述目标图各自对应的邻接矩阵，确定所述待检测图和所述目标图中相对应的节点之间关于结构特征的第二误差；对于所述待检测图中的每个节点，根据该节点对应的第一误差和第二误差，确定该节点的差异值。3.根据权利要求2所述的方法，其中，所述确定所述待检测图与所述目标图中相对应的节点之间关于节点特征的第一误差，以及根据所述待检测图和所述目标图各自对应的邻接矩阵，确定所述待检测图和所述目标图中相对应的节点之间关于结构特征的第二误差，包括：对于所述待检测图中的每个节点，执行如下操作：将该节点的特征向量与所述目标图中对应于该节点的节点的特征向量之间的差值的L2范数，确定为该节点对应的第一误差；根据所述待检测图对应的邻接矩阵中，表征该节点与关联节点之间的连接边的存在概率的结构特征，以及所述目标图对应的邻接矩阵中，表征对应于该节点的节点与关联节点之间的连接边的存在概率的结构特征，确定该节点对应的第二误差。4.根据权利要求2所述的方法，其中，所述生成网络和所述编码器均包括多层感知机或神经网络。5.根据权利要求2所述的方法，其中，所述异常检测模型通过如下方式训练得到：获取训练样本集，其中，所述训练样本集中的训练样本包括样本图；利用机器学习方法，初始异常检测模型中的初始生成网络以所述训练样本集中的样本图为期望输出，生成训练过程目标图，基于编码器得到的所述样本图和所述训练过程目标图各自对应的编码矩阵，得到所述样本图和所述训练过程目标图各自对应的邻接矩阵，将所述样本图和所述训练过程目标图各自对应的邻接矩阵作为初始判别网络的输入，通过所述初始判别网络识别所输入的邻接矩阵对应于所述样本图还是所述训练过程目标图，对所述初始异常检测模型进行训练，得到所述异常检测模型，其中，在模型训练过程中，采用表2CN113822313A权利要求书2/3页征最大化判别网络的判别能力的前提下，最小化判别网络对生成网络的判别能力的目标函数。6.一种图节点异常检测装置，包括：获取单元，被配置成获取待检测图；第一确定单元，被配置成将所述待检测图输入预先训练的、基于生成对抗网络的异常检测模型，确定表征所述待检测图中的每个节点的异常程度的异常值，其中，所述异常值根据所述待检测图与目标图中相对应的节点之间关于节点特征的第一误差，以及相对应的节点之间关于结构特征