基于少样本几何深度学习的用户重识别系统及方法与流程

本发明涉及社交网络，尤其是基于少样本几何深度学习的用户重识别系统及方法。

背景技术：

1、社交网络的飞速发展，用户数量成指数增长，使得互联网每天产生大量数据，如用户推文信息、评论内容等。人们在社交网络中发表的相关言论，都是兴趣爱好、价值观点等个性化信息的综合反映。然而，每个用户在满足自己社交需求的同时，并不希望上述信息都被其他用户查看。为了满足用户隐私需求，社交网站可提供隐藏用户信息服务，即用户可以发布匿名文章或使用匿名的方式参与话题的讨论等。部分社交网络未提供隐藏机制，用户可以通过选择注册多账号来实现另一种形式的匿名。用户选择使用其他账号参与社交活动，从而实现与多账号社交活动的隔离。但是，采用匿名或注册多账号的方式并不能完全割裂用户的兴趣爱好、社交关系等个性化信息。

2、社交平台通过收集分析这些个性化信息，可以为用户提供个性化推荐服务。然而社交网络在提供推荐个性化服务的同时，也会给用户带来隐私泄露的风险。为了避免攻击者收集不同社交平台的用户信息，保护用户隐私安全，需要研究攻击者使用的用户重识别技术方法。该技术是通过采集多个社交平台的数据，对这些公开数据的进行比对，从而达到识别不同网站账号同属一个用户的技术手段。

3、经过研究发现，大部分研究者采集大规模数据进行用户重识别建模分析，然而受到不同社交平台属性影响，会使模型产生过拟合等问题，从而降低识别效率。因此利用少样本数据来进行社交网络的用户重识别变得尤为重要。同时，结合用户属性信息、网络结构信息以及用户生成信息，在重识别准精确方面仍有较大的提升空间。因此将用户多维信息嵌入到几何深度学习模型中，从而挖掘跨网络用户身份信息，在提高重识别准确率方面具有重要意义。

4、故本发明提出基于少样本几何深度学习的用户重识别系统及方法，通过首先利用少样本生成候选实体，并对候选实体进行相应的排序，针对待链接实体和候选实体将它们转换成含有语义信息的向量表示，再通过训练几何深度学习模型，比对用户数据信息，实现用户身份重识别。

技术实现思路

1、本发明的目的是通过提出基于少样本几何深度学习的用户重识别系统及方法，以解决上述背景技术中提出的缺陷。

2、本发明采用的技术方案如下：

3、提供基于少样本几何深度学习的用户重识别系统，包括：

4、生成排序模块：用于生成候选实体，并对候选实体进行相应排序；

5、向量转化模块：用于通过图卷积的方式将待链接实体和候选实体转换成含有语义信息的向量表示；

6、深度训练模块：用于使用深度学习对所有的用户属性、内容、关系进行训练；

7、身份重识别模块：用于计算两个实体之间的相似度，进行用户身份的重识别。

8、作为本发明的一种优选技术方案：所述生成排序模块中，基于数据抽取得到实体对象，并将其链接至知识库中对应的正确实体，生成候选实体。

9、作为本发明的一种优选技术方案：所述生成排序模块中，基于少样本实体类型的层次化抽取策略对非结构化或半结构化数据进行实体抽取得到实体对象。

10、作为本发明的一种优选技术方案：所述生成排序模块中，基于权重分配算法根据实体权重值进行排序。

11、作为本发明的一种优选技术方案：所述权重分配算法步骤如下：

12、构建实体图，待链接实体和候选实体作为图中的实体节点，实体之间相互链接的关系作为图中节点的边，得到边的权重w(ei,ej)：

13、

14、其中，ei为待链接实体，ej为候选实体，和分别为指向待链接实体ei和候选实体ej的实体集合，e为所有实体集合。

15、作为本发明的一种优选技术方案：所述向量转化模块中，通过图卷积神经网络聚合实体图中节点信息，将实体的结构信息和语义信息融入到实体嵌入中，得到图的邻接矩阵a定义如下：

16、

17、通过多层图卷积网络更新图中节点的信息，其中每一层图中节点聚合邻居信息节点的信息的过程表示为：

18、

19、其中，表示节点v在第l+1层聚合的信息，n(v)为节点v的邻居信息节点，表示第l层节点u，l为规范化的拉普拉斯矩阵；

20、

21、其中，d为图的度矩阵，a是邻接矩阵，i为单位矩阵，融合周围邻居信息节点的信息后，节点v在l层的信息通过卷积操作进行更新：

22、

23、其中，为节点v在第l+1层的表示，f为更新函数，为节点v在第l层的表示；

24、首层使用图卷积网络进行信息传播，其中激活函数为relu函数，

25、y1＝relu(ly0w0)

26、其中，y1为节点在第1层的表示，y0为节点在首层的表示，w0为首层图卷积网络的权重矩阵。

27、作为本发明的一种优选技术方案：所述向量转化模块中，通过注意力机制对节点信息进行更新：

28、

29、

30、其中，为节点v在第l+1层的表示，wl+1表示第l+1层图卷积网络的权重矩阵，为节点u和节点v之间在第l层的表示，表示第l层图卷积网络节点v与u之间的注意力权重，δ(l)为第l层注意力传播的衰减率，为节点v在第l层的表示，为节点u在第l层的表示，e表示数学常量。

31、作为本发明的一种优选技术方案：所述深度训练模块中，基于bp神经网络对所有的用户属性、内容、关系进行训练。

32、作为本发明的一种优选技术方案：所述身份重识别模块中，基于如下的相似度算法进行重识别判断：

33、

34、其中，na、nb分别表示深度训练模块训练输出的待链接实体和候选实体，d表示两实体的距离，s表示两实体间的相似度；基于相似度值设定相似度阈值，并对用户身份进行判断和重识别。

35、提供基于少样本几何深度学习的用户重识别方法，包括如下步骤：

36、s1：生成候选实体，并对候选实体进行相应排序；

37、s2：通过图卷积的方式将待链接实体和候选实体转换成含有语义信息的向量表示；

38、s3：使用深度学习对所有的用户属性、内容、关系进行训练；

39、s4：计算两个实体之间的相似度，实现用户身份的重识别。

40、本发明提供的基于少样本几何深度学习的用户重识别系统及方法，与现有技术相比，其有益效果有：

41、本发明通过使用实体链接技术实现用户身份重识别，通过图卷积的方式将待链接实体和候选实体转换成含有语义信息的向量表示，生成了有用的实体嵌入，基于注意力机制对实体图中的节点信息进行更新，并通过深度学习网络对所有的用户属性、内容、关系进行学习输出，只需要少量的样本，即可获得更为准确的用户身份重识别信息。

技术特征：

1.基于少样本几何深度学习的用户重识别系统，其特征在于：包括：

2.根据权利要求1所述的基于少样本几何深度学习的用户重识别系统，其特征在于：所述生成排序模块(100)中，基于数据抽取得到实体对象，并将其链接至知识库中对应的正确实体，生成候选实体。

3.根据权利要求2所述的基于少样本几何深度学习的用户重识别系统，其特征在于：所述生成排序模块(100)中，基于少样本实体类型的层次化抽取策略对非结构化或半结构化数据进行实体抽取得到实体对象。

4.根据权利要求3所述的基于少样本几何深度学习的用户重识别系统，其特征在于：所述生成排序模块(100)中，基于权重分配算法根据实体权重值进行排序。

5.根据权利要求4所述的基于少样本几何深度学习的用户重识别系统，其特征在于：所述权重分配算法步骤如下：

6.根据权利要求5所述的基于少样本几何深度学习的用户重识别系统，其特征在于：所述向量转化模块(200)中，通过图卷积神经网络聚合实体图中节点信息，将实体的结构信息和语义信息融入到实体嵌入中，得到图的邻接矩阵a定义如下：

7.根据权利要求6所述的基于少样本几何深度学习的用户重识别系统，其特征在于：所述向量转化模块(200)中，通过注意力机制对节点信息进行更新：

8.根据权利要求1所述的基于少样本几何深度学习的用户重识别系统，其特征在于：所述深度训练模块(300)中，基于bp神经网络对所有的用户属性、内容、关系进行训练。

9.根据权利要求1所述的基于少样本几何深度学习的用户重识别系统，其特征在于：所述身份重识别模块(400)中，基于如下的相似度算法进行重识别判断：

10.基于少样本几何深度学习的用户重识别方法，基于权利要求1-9任意一项所述的基于少样本几何深度学习的用户重识别系统，其特征在于：包括如下步骤：

技术总结
本发明涉及社交网络技术领域，尤其为基于少样本几何深度学习的用户重识别系统及方法，包括：生成排序模块：用于生成候选实体，并对候选实体进行相应排序；向量转化模块：用于通过图卷积的方式将待链接实体和候选实体转换成含有语义信息的向量表示；深度训练模块：用于使用几何深度学习对所有的用户属性、内容、关系进行训练；身份重识别模块：用于计算两个实体之间的相似度，进行用户身份的重识别。本发明通过使用少样本几何深度学习实现用户身份重识别，通过图卷积的方式将待链接实体和候选实体转换成含有语义信息的向量表示，生成了有用的实体嵌入，并通过深度学习网络对所有的用户属性、内容、关系进行学习输出，获得更为准确的用户身份重识别信息。

技术研发人员：佟玲玲,侯炜,吕东,时磊,井雅琪,任博雅,段运强,王海洋,孙旷怡,段荣昌,段东圣
受保护的技术使用者：国家计算机网络与信息安全管理中心
技术研发日：
技术公布日：2024/1/14