面向时序观测不一致的社交网络传播溯源方法及装置
本发明属于网络空间安全信息溯源,更具体的涉及面向时序观测不一致的社交网络传播溯源方法及装置。
背景技术:
1、在社交媒体与各类在线网络平台高速发展的当下,信息传播成为网络空间中高频发生且管控难度极大的网络行为。虚假信息、网络不实信息、恶意违规内容及网络病毒等不良信息,可依托用户的转发、评论、引用、回复等交互行为实现快速扩散,会干扰平台信息管理,增大溯源研判的处理难度。因此,在不良信息传播事件发生后,快速、精准定位传播源节点,是实现不良信息快速处置、传播风险有效阻断、传播链条完整追踪的核心基础与关键前提,具备相应的技术研发以及实际应用价值。
2、当前主流的网络传播溯源技术主要分为两类,分别为基于传播模型的溯源方法和基于特征学习的溯源方法。
3、基于传播模型的方法主要依托易感-感染、易感-感染-恢复等经典信息扩散模型,将传播溯源任务转化为逆向推断或优化求解问题。该类方法具备良好的可解释性,但存在明显技术缺陷:其一,该方法需要提前预设社交网络的传播参数,参数适配性差,难以适配复杂多变的真实社交网络场景;其二,在仅能获取有限传播快照的场景下,传播过程的中间状态无法有效观测,反向推断过程极易受初始偏差干扰,导致传播源定位结果稳定性、准确性不足。
4、基于特征学习的方法将传播溯源任务建模为图节点分类问题,依托网络拓扑结构、节点感染状态、传播序列等数据学习节点特征表示,进而输出各节点作为传播源的概率。随着图神经网络技术的迭代升级,该类方法可自动聚合网络邻域信息,有效提升复杂网络场景下的溯源定位精度。为进一步挖掘传播过程的动态特征,现有改进方案会在模型训练与推理阶段引入连续传播快照,借助时序注意力机制、图时序模型学习信息传播的演化规律。但该类方法存在核心技术问题:模型训练阶段可依托历史数据获取完整的传播时序序列,而实际落地推理阶段为满足及时干预的需求,仅能获取某一时刻的单次静态传播快照,无法等待完整连续传播序列收集完成,否则会错过风险处置最佳窗口。这种训练、推理阶段的时序观测条件不一致问题,导致模型训练习得的时序传播特征无法有效应用于推理场景,单次静态快照的特征表示与训练阶段的时序增强特征表示存在分布偏差,大幅降低了网络传播溯源的精准度。
5、综上所述,现有两类主流传播溯源方法均无法适配真实网络溯源场景的时序观测差异问题,普遍存在定位稳定性差、实时性不足、溯源精度偏低的缺陷,难以满足真实社交网络中不良信息快速溯源、及时处置的实际应用需求。
技术实现思路
1、本发明实施例提供面向时序观测不一致的社交网络传播溯源方法及装置,用于解决现有技术在网络传播溯源任务中由于训练阶段可获取完整连续传播时序快照、推理阶段仅能获得单次传播快照的时序观测不一致问题,导致特征表征分布偏移,使得溯源推理精度与鲁棒性下降,难以满足真实舆情场景下快速精准溯源的实际需求的问题。
2、本发明实施例提供面向时序观测不一致的社交网络传播溯源方法,包括:
3、采集社交平台用户交互数据与传播观测数据,构建社交网络传播图,基于所述社交网络传播图提取节点结构特征与节点传播状态特征,融合增强得到节点拼接静态特征和节点结构增强表示,基于训练阶段连续传播观测快照序列提取节点级时序动态特征;
4、根据节点结构增强表示生成节点潜变量均值和节点潜变量方差的对数,对所述节点级时序动态特征进行时序编码得到节点时序动态上下文,融合所述节点潜变量均值与节点时序动态上下文进行残差修正,得到时序修正后潜变量均值和融合时空信息的时序修正潜变量分布;
5、基于所述时序修正潜变量分布采样得到干净潜变量,基于扩散累积噪声调度参数与标准正态随机噪声,对所述干净潜变量进行加噪得到加噪潜变量,根据所述加噪潜变量与扩散步数通过迭代去噪学习传播时序先验,得到去噪重构条件分布;
6、基于传播源预测损失、潜变量先验约束损失、扩散重构损失构建模型联合训练总损失,以最小化模型联合训练总损失为优化目标,将多维度误差逐层回传至全链路网络层进行参数迭代优化,得到收敛完成的完整传播溯源预测模型;
7、利用传播时序先验对单次传播快照得到的所述节点潜变量均值进行自适应修正,将修正后得到的精准节点潜变量均值输入所述完整传播溯源预测模型,得到各节点传播源预测概率。
8、本发明实施例提供面向时序观测不一致的社交网络传播溯源装置,包括:
9、融合提取单元,用于采集社交平台用户交互数据与传播观测数据,构建社交网络传播图,基于所述社交网络传播图提取节点结构特征与节点传播状态特征,融合增强得到节点拼接静态特征和节点结构增强表示,基于训练阶段连续传播观测快照序列提取节点级时序动态特征;
10、第一得到单元,用于根据节点结构增强表示生成节点潜变量均值和节点潜变量方差的对数,对所述节点级时序动态特征进行时序编码得到节点时序动态上下文,融合所述节点潜变量均值与节点时序动态上下文进行残差修正,得到时序修正后潜变量均值和融合时空信息的时序修正潜变量分布;
11、第二得到单元,用于基于所述时序修正潜变量分布采样得到干净潜变量,基于扩散累积噪声调度参数与标准正态随机噪声,对所述干净潜变量进行加噪得到加噪潜变量,根据所述加噪潜变量与扩散步数通过迭代去噪学习传播时序先验,得到去噪重构条件分布;
12、第三得到单元,用于基于传播源预测损失、潜变量先验约束损失、扩散重构损失构建模型联合训练总损失,以最小化模型联合训练总损失为优化目标,将多维度误差逐层回传至全链路网络层进行参数迭代优化,得到收敛完成的完整传播溯源预测模型;
13、第四得到单元,用于利用传播时序先验对单次传播快照得到的所述节点潜变量均值进行自适应修正,将修正后得到的精准节点潜变量均值输入所述完整传播溯源预测模型,得到各节点传播源预测概率。
14、本发明实施例提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行上述任意一项所述面向时序观测不一致的社交网络传播溯源方法。
15、本发明实施例提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行上述任意一项所述面向时序观测不一致的社交网络传播溯源方法。
16、本发明的有益效果是:
17、(1)本发明针对训练阶段可利用训练阶段连续传播观测快照序列、推理阶段仅有单次传播快照的实际情况进行建模,通过时序引导的分布残差修正和推理阶段自适应修正,缓解训练与推理时序观测不一致导致的潜变量分布偏移问题,提高传播溯源的稳定性;
18、(2)本发明以社交网络传播图和传播观测状态作为主要输入,通过传播观测信息建模与时序动态特征引导相结合,使待训练的传播溯源网络能够在观测信息有限的传播溯源场景中保持较好的适配能力;
19、(3)本发明借助扩散时序先验学习网络完成传播时序先验学习约束,通过对时序修正潜变量分布执行加噪和去噪重构学习,使完整传播溯源预测模型能够保留训练阶段传播时序信息作用下的分布结构,从而提升完整传播溯源预测模型面对部分观测、传播规模变化和复杂网络结构时的鲁棒性;
20、(4)本发明可应用于社交网络信息溯源、风险信息分析研判等场景,通过输出候选传播源节点以及各节点传播源预测概率,为后续人工核验、风险研判分析提供技术支撑。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com