基于异构图神经网络的社交网络协同虚假营销风控方法

摘要: 本发明涉及人工智能及社交网络风控,尤其涉及基于异构图神经网络的社交网络协同虚假营销风控方法。背景技术:1、随着具备广告或商品内容推广、互动转化、订单及支付功能的...
基于异构图神经网络的社交网络协同虚假营销风控方法

本发明涉及人工智能及社交网络风控,尤其涉及基于异构图神经网络的社交网络协同虚假营销风控方法。

背景技术:

1、随着具备广告或商品内容推广、互动转化、订单及支付功能的社交网络商业平台持续发展,账号、设备、ip地址、商业内容、推广任务、订单和支付账户等实体之间形成了复杂交互关系。协同虚假营销行为通常由多个账号在一定时间窗口内共同完成,例如批量注册、集中登录、同步关注、集中评论、相似推广内容发布、虚假下单、刷单评价、佣金套取或退款回流。此类行为具有组织化、隐蔽化和跨实体协同的特点,单独观察某一账号时可能并不明显异常;联合分析多个账号的共享资源、内容相似关系、行为节律和交易链路时,则会呈现团伙特征。

2、现有社交网络商业推广风控方法多以单个账号或单次行为作为分析对象,主要依赖账号属性、行为频次、登录记录或简单交互关系进行异常判断,对多个账号之间的协同关系刻画不足。对于协同虚假营销团伙而言,异常性往往不仅体现在账号自身,还体现在账号与设备、ip地址、内容、订单、支付账户等多类型实体之间的共享、相似、同步或闭环关系中。由于不同实体的数据结构和关联方式存在差异,传统规则模型或单一关系图模型难以对上述异构关联进行统一表达,导致对跨账号、跨资源、跨内容和跨交易链路的团伙行为识别能力有限。

3、此外,部分协同虚假营销团伙会刻意降低账号之间的直接互动频率,延长操作间隔,或通过更换设备、切换ip地址、复用内容模板、拆分交易路径等方式规避传统关系密度检测。此类低直接交互、高共享资源的隐蔽协同模式,通常需要结合共享设备、共享ip、共享支付账户、内容同源、行为节律同步、交易资金闭环以及反侦察关系等多类证据进行综合判断。现有方法若仅输出异常标签或风险分数,难以同步给出可追溯的证据链,不利于社交网络商业推广风控系统后续执行审核、限流、结算控制和溯源。

4、因此,本领域亟需一种面向社交网络商业推广风控系统的协同虚假营销检测方法,能够有效整合异构实体关系、内容同源特征、行为节律特征、交易资金闭环特征及反侦察关系特征,输出团伙风险结果和对应证据链,并据此生成商业内容曝光、推广佣金结算及关联订单的风控处置指令。

技术实现思路

1、本发明的目的在于提供基于异构图神经网络的社交网络协同虚假营销风控方法,通过构建包含账号、设备、ip地址、商业内容、推广任务、订单和支付账户等多类型实体的异构实体动态图,对候选协同团伙进行身份资源共享、内容同源、行为节律同步、交易资金闭环和反侦察关系分析,并基于证据链注意力机制融合多类风险证据,输出协同虚假营销团伙及对应证据链,供社交网络商业推广风控系统生成限流、结算控制、订单控制或人工审核指令。

2、本发明采用的技术方案是:

3、基于异构图神经网络的社交网络协同虚假营销风控方法,包括:

4、基于多源行为日志数据建立多种关系边得到异构实体动态图,其中多源行为日志数据包括不同实体以及实体之间的社交网络行为;;其中,表示当前异构实体动态图对应的时间点;为节点集合,为边集合,为边类型集合。具体地,多源行为日志数据包括账号注册信息、登录设备信息、ip地址信息、地理位置信息、关注行为、点赞行为、评论行为、转发行为、发布内容、商业内容标识、推广任务标识、订单信息、支付信息、退款信息、评价信息、推广佣金信息及历史处罚记录等不同实体;将多源行为日志数据的不同实体分别映射为不同类型的节点,以形成节点集合;根据实体之间的社交网络行为建立不同实体节点之间的多类型关系边,以形成边类型集合;根据关系类型权重、对应关系类型的关联实体节点之间的关联强度以及最近一次关联时间的时间衰减系数计算得到对应关系类型下实体节点之间的边权重将异构实体动态图输入异构图神经网络编码模块,对账号节点及其关联节点进行关系感知聚合得到账号节点的图表示,并基于账号节点的图表示、关系边权重(和行为特征向量)计算账号之间的综合关联强度生成候选协同团伙;

5、对候选协同团伙分别计算身份资源共享编码、内容同源编码、行为节律同步编码、交易资金闭环编码和反侦察编码;

6、基于证据链注意力机制融合身份资源共享编码、内容同源编码、行为节律同步编码、交易资金闭环编码和反侦察编码生成团伙风险表示;

7、基于团伙风险表示计算风险分数,当风险分数超过预设风险阈值时,判定候选协同团伙为协同虚假营销行为团伙,输出团伙账号集合、风险分数、风险等级及对应证据链集合得到风控结果;将风控结果发送至社交网络商业推广风控系统,以生成限制商业内容曝光、暂停推广佣金结算、暂停关联订单或转入人工审核中的至少一种风控处置指令。

8、进一步地,在一些实施中,构建异构实体动态图的实现包括:

9、将多源行为日志数据的不同实体(账号、设备、ip地址、内容、支付账户、订单、商品或推广任务)分别映射为不同类型的节点,以形成节点集合;其中,表示账号节点集合,表示设备节点集合,表示ip节点集合,表示内容节点集合,表示支付账户节点集合,表示订单、商品或推广任务节点集合;

10、根据实体之间的社交网络行为(登录、设备共享、ip共享、内容发布、内容相似、推广归因、交易、支付、退款、佣金结算、评论和转发行为)建立不同实体节点之间的多类型关系边,以形成边类型集合;

11、根据关系类型权重、对应关系类型的关联实体节点之间的关联强度以及最近一次关联时间的时间衰减系数计算得到对应关系类型下实体节点之间的边权重。

12、具体地,对于任意实体节点和实体节点,计算其在关系类型下的边权重:

13、;

14、其中,为关系类型的权重,为节点与节点在时间窗口内的关联强度,根据二者对应的关联记录数量和共享资源数量计算得到;为二者最近一次发生关联的时间,为时间衰减系数。

15、进一步地,在一些实施中,对账号节点及其关联节点进行关系感知聚合得到账号节点的图表示,并基于账号节点的图表示、关系边权重(和行为特征向量)计算账号之间的综合关联强度生成候选协同团伙的实现包括:

16、利用多层异构图神经网络对异构实体动态图的账号节点及其关联节点进行关系感知聚合得到账号节点的图表示;

17、根据第层节点的自节点变换、关系类型r下邻居节点的特征变换及关系注意力权重加权求和后经过激活函数更新得到第层节点表示;更新公式为:

18、;

19、其中,表示节点在第层的节点表示,为自节点变换矩阵,为关系类型对应的特征变换矩阵,表示在关系类型下与节点相邻的节点集合,为节点对节点的关系注意力权重,为激活函数;

20、将任意两个账号节点之间的关系边权重加权和、图表示余弦相似度及行为特征余弦相似度加权求和后经激活函数得到对应两个账号节点之间的综合关联强度;当综合关联强度大于预设关联阈值时,在两个账号节点之间建立协同关联边;

21、基于协同关联边进行候选团伙扩展得到候选协同团伙,对应的表达式为:

22、;

23、其中,表示第个候选协同团伙,为候选协同团伙中的账号数量。

24、具体地,任意两个账号节点和的综合关联强度的计算公式为:

25、;

26、其中,为关系类型的融合权重,用于调节该关系类型下的账号节点边权重在综合关联强度中的贡献,为账号节点与账号节点在关系类型下的边权重,和分别为账号节点和账号节点经异构图神经网络编码后得到的图表示,表示图表示余弦相似度,和分别为账号节点和账号节点的登录、关注、点赞、评论、转发、内容发布、下单、支付、退款、评价等行为的统计次数经归一化后得到的行为特征向量;表示行为特征余弦相似度,为图表示相似度权重,为行为特征相似度权重;当满足:,则在账号节点和账号节点之间建立协同关联边。

27、进一步地,在一些实施中,计算身份资源共享编码的实现包括:

28、根据平台账号总数和使用该资源的账号数量计算得到资源逆频率,用于增强稀有设备、稀有ip地址、稀有支付账户或稀有收货地址的风险表达能力;资源逆频率的表达式如下:

29、;

30、其中,为社交网络商业平台账号总数,为使用资源的账号数量;

31、根据任意两个账号共享的资源集合中各资源的资源逆频率之和计算得到身份资源关系类型下的共享资源强度;共享资源强度的计算表达式为:

32、;

33、其中,表示账号在关系类型下关联的资源集合;

34、根据候选协同团伙内账号两两之间在身份资源关系类型下的共享资源强度的加权平均值计算得到候选协同团伙的身份资源共享编码;其中身份资源关系类型包括设备共享、ip共享、支付账户共享和收货地址共享中的至少一种;身份资源共享编码的表达式如下:

35、;

36、其中,为身份资源关系类型集合,为身份资源关系类型权重。

37、进一步地,在一些实施中,计算内容同源编码的实现包括:

38、利用预训练语言模型提取文本语义向量并计算余弦相似度得到文本相似度;文本相似度的表达式为:

39、;

40、其中,表示文本内容的语义向量;表示文本内容的语义向量;

41、利用感知哈希值的汉明距离计算得到图片内容之间的图片相似度;图片相似度的表达式为:

42、;

43、其中,表示图片的感知哈希值,表示图片的感知哈希值;表示汉明距离,为哈希长度;

44、分别提取链接的主域名、路径片段集合和查询参数集合,并将主域名一致性、路径片段集合相似度和查询参数集合相似度按照权重加权求和,得到两个链接之间的链接相似度;链接相似度的表达式为:

45、;

46、其中:分别为链接的主域名;分别为按照路径分隔符对链接路径进行切分后得到的路径片段集合;分别为链接查询参数键值对集合;为指示函数,条件成立时取1,否则取0;、、分别为对应项的权重,。

47、将文本相似度、图片相似度和链接相似度按照预设权重加权平均得到候选协同团伙的内容同源编码。内容同源编码的表达式如下:

48、;

49、其中,为团伙  对应的待比较内容索引对集合,;表示链接和链接的链接相似度,分别为文本相似度、图片相似度和链接相似度的权重,为待比较内容对象的索引。

50、进一步地,在一些实施中,计算行为节律同步编码的实现包括:

51、将账号在连续时间窗口内的行为统计结果表示为行为序列;行为序列的表达式为:

52、;

53、其中,表示账号的行为序列;表示账号在第个时间窗口内的行为统计特征;为时间窗口的总数;

54、计算候选协同团伙内账号两两之间的行为序列相关性得到行为同步度;行为同步度的表达式为:

55、;

56、其中,表示账号与账号的行为序列相关系数;

57、计算账号行为序列之间的动态时间规整距离并转换为行为节律相似度;行为节律相似度的表达式如下:

58、;

59、其中,为账号的行为序列和账号的行为序列之间的动态时间规整距离;

60、将行为同步度和行为节律相似度按照预设融合权重加权求和得到行为节律同步编码。行为节律同步编码的表达式为:

61、;

62、其中,和为融合权重。

63、进一步地,在一些实施中,计算交易资金闭环编码的实现包括:

64、基于交易类日志、支付类日志和退款类日志提取候选协同团伙涉及的交易路径集合;交易路径集合的表达式为:

65、;

66、其中,任一交易路径包括账号、订单、商品、商户、支付账户和退款账户中的多个节点;为交易路径数量;

67、根据路径起始实体与终止实体是否相同以及起始实体与终止实体关联资源相似度加权计算得到任意交易路径的闭环强度;闭环强度的表达式为:

68、;

69、其中,和分别表示路径起始实体和终止实体,为指示函数,表示起始实体关联资源与终止实体关联资源的相似度,为资源相似度权重;

70、计算所有交易路径的闭环强度经过路径长度衰减后的平均值得到候选协同团伙的交易资金闭环编码。交易资金闭环编码的表达式为:

71、;

72、其中,为候选协同团伙涉及的交易路径集合,为所述交易路径集合中的交易路径数量,为所述交易路径集合中的任一交易路径;为交易路径长度,为路径长度衰减系数。

73、进一步地,在一些实施中,计算反侦察编码的实现包括:

74、计算候选协同团伙内部账号之间的直接交互密度;直接交互密度的表达式为:

75、;

76、其中,表示候选协同团伙内部账号之间的直接交互边集合;

77、计算候选协同团伙内部账号之间的共享资源密度;共享资源密度的表达式为:

78、;

79、其中,表示候选协同团伙内部账号之间的共享资源边集合;

80、将共享资源密度与直接交互密度的补数相乘得到反侦察编码,反侦察编码的表达式为:

81、;

82、其中,当候选协同团伙具有较高共享资源密度且具有较低直接交互密度时,反侦察编码取得较高值,反侦察编码用于表征候选协同团伙在低直接交互、高共享资源条件下的隐蔽协同风险。

83、进一步地,在一些实施中,基于证据链注意力机制融合多类证据编码包括:

84、将身份资源共享编码、内容同源编码、行为节律同步编码、交易资金闭环编码和反侦察编码组成证据向量;证据向量为;

85、计算每一证据编码注意力权重,证据编码注意力权重的表达式为:

86、;

87、其中,为可学习查询向量,为证据编码投影矩阵;、分别表示不同证据和证据的证据编码;

88、基于证据编码注意力权重对各证据编码进行映射和加权求和得到团伙风险表示;团伙风险表示为:

89、;

90、其中,为第类证据编码的映射矩阵。

91、基于团伙风险表示通过风险判定权重矩阵和偏置项计算风险分数;风险分数的表达式为:

92、;

93、其中,为风险判定权重矩阵,为偏置项;当满足风险分数,则判定候选协同团伙属于协同虚假营销行为团伙,为预设风险分数阈值;

94、风控结果的表达式为:

95、;

96、其中,表示风险等级,表示证据链集合,证据链集合包括共享设备证据、共享ip证据、共享支付账户证据、内容同源证据、同步行为时间段证据、交易闭环路径证据和反侦察关系证据中的一种或多种。

97、进一步地,在一些实施中,方法还包括通过历史标注样本训练涉及的可学习参数,历史标注样本包括已确认的协同虚假营销行为团伙样本和正常账号群组样本;训练过程采用分类损失函数优化可学习参数。

98、具体地,基于分类损失函数对所述可学习参数进行优化,分类损失函数为:

99、;

100、其中,表示候选协同团伙的标注结果,当候选协同团伙为协同虚假营销行为团伙时,;当候选协同团伙为正常账号群组时,。

101、可学习参数集合为其中,为异构边类型权重,为综合关联强度中的关系融合权重,为行为特征相似度权重,为身份资源关系类型权重,分别为文本、图片和链接相似度权重,分别为行为同步度和行为节律相似度的融合权重,为交易闭环中的资源相似度权重,为可学习查询向量,为证据编码投影矩阵,为第类证据编码的映射矩阵,为风险判定权重矩阵,为偏置项。

102、本发明将社交网络商业平台多源行为日志、异构实体关联关系、内容同源特征、行为节律特征、交易资金路径特征及反侦察关系特征相结合,构建了面向协同虚假营销行为的团伙级风险识别框架。在该框架中,首先通过异构实体动态图统一表达账号、设备、ip地址、内容、订单和支付账户之间的多类型关系,再通过身份资源共享编码、内容同源编码、行为节律同步编码、交易资金闭环编码和反侦察编码形成多维证据表示,最后基于证据链注意力机制生成团伙风险表示并输出风险分数、风险等级和对应证据链。该方法将协同虚假营销行为检测由单账号异常判断转化为团伙级多证据综合判定,为社交网络商业推广风控系统执行风险识别、审核处置和关联溯源提供了新的技术路径。

103、本发明采用以上技术方案,与现有技术相比,具有如下有益效果:

104、1、将账号、设备、ip地址、内容、订单和支付账户等多类型实体相结合,构建异构实体动态图,能够统一表达社交网络商业平台中的多源关联关系,增强了对跨账号、跨资源、跨内容和跨交易链路协同关系的刻画能力。2、引入身份资源共享、内容同源、行为节律同步、交易资金闭环和反侦察关系等多维证据编码,能够从资源、内容、行为、交易和隐蔽关系多个角度描述候选团伙,实现对协同虚假营销行为风险特征的综合分析。3、采用证据链注意力机制融合多类证据编码,生成团伙风险表示,并输出风险分数和风险等级,使不同类型证据能够按照候选团伙的实际关联情况参与风险判定,提高了风险识别过程的结构化程度。4、通过构建团伙级风险识别框架,实现从多源行为日志输入、异构实体关联建模、多证据融合到协同虚假营销行为团伙输出的完整处理流程,并同步生成对应证据链,为社交网络商业推广风控系统执行限流、结算控制、订单控制、审核和溯源提供技术支撑。