买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：青海师范大学

摘要：本发明涉及机器人检测技术领域，涉及一种基于多视图GraphTransformer的社交机器人检测系统及方法，其包括：主题结构模块，用于构建潜在语义结构；图增强模块，用于将多视图扩展为多通道‑多视图；多视图GraphTransformer模块，用于将多头注意力机制引入到多视图的图学习中，并考虑到每个视图的特定的特征；多视图注意力模块，用于通过注意力机制进行聚合多个视图的信息，以获得更全面的节点表示。本发明能够较佳地进行社交机器人检测。

主权项：1.基于多视图GraphTransformer的社交机器人检测系统，其特征在于：包括：主题结构模块，用于构建潜在语义结构；图增强模块，用于将多视图扩展为多通道-多视图；多视图GraphTransformer模块，用于将多头注意力机制引入到多视图的图学习中，并考虑到每个视图的特定的特征；多视图注意力模块，用于通过注意力机制进行聚合多个视图的信息，以获得更全面的节点表示；主题结构模块中，将同一用户的所有推文通过拼接的方式构建伪推文，即： 其中，||符号表示拼接操作，di分别表示用户j的第j个推文以及构建的伪推文；通过di构建LDA模型，LDA模型使用具有固定主题数分布的Dirichlet先验，进而通过m个主题上的概率分布进行表示：Di＝PT1∣di,PT2∣di,PT3∣di,...,PTm∣di其中Di表示用户i的推文主题分布，Tm代表m个用户推文出现的主题，PTm∣di表示用户i推文di属于主题Tm的可能性；通过筛选最大的Tm来寻找每个主题下的用户，即：T＝{T1,T2,T3,...,Tm}Ts＝{u1,u2,u3,...,us}其中，T代表主题簇，Ts表示第s个主题簇，m表示主题的数量，us表示第s个主题簇下的用户，s表示对应主题簇下的用户数量；为了进一步降低主题网络的稠密性，对每个主题簇下的用户通过一定概率p进行连边，得到最终的主题结构网络；通过社交网络中用户之间的多样化关系构建多视图网络，采用用户信息编码过程将用户表示为xi，并且通过一个全连接层将其转化为GNN的初始特征： W1为权重参数矩阵，b1为偏置项，为输入特征参数，σ为激活函数；图增强模块中，选用DropEdege作为图结构数据增强方法，DropEdege中，图中的每条边都可能以一定概率p被舍弃，通过对每个视图进行DropEdege，将多视图扩展为多视图-多通道，具体表示如下：SiGz＝V,Mi⊙Ez其中Mi∈{0,1}|V|是通道i的掩码向量，作用在视图z的边集Ev上，V表示图结构中的节点表示，SiGz表示视图z通道i的图；通过多个通道即子图来捕捉每个视图下的节点局部结构的模式，进一步使节点表征更加鲁棒和抗噪；多视图GraphTransformer模块中，通过初始化的节点特征来计算视图z下的通道s和节点i的第c注意力头机制： 其中，q、k、v表示注意力机制中的query、key、value，l表示模型的第l层，分别表示视图z下通道s的注意力头c可学习的参数；将视图z下通道s的不同注意力头的边的特征ei,j也添加到向量计算当中，将其作为视图z下通道s的每一层的补充信息： 为视图z下的通道s的每一层的不同注意力头的额外补充信息，为权重参数，为偏置项，为边的特征；进一步就能通过不同节点之间的注意力权重来进行建模： 其中，节点i与节点j之间第l层的第c个注意力头权重，是指数级点积函数，d表示每个注意力头的隐藏大小，NiZ表示视图z下通道s的节点i的邻域，最后通过消息聚合来获得视图z下通道s的节点i表示： 是在视图z下通道s的l层的节点表示，C是注意力机制的头数；在完成每个通道下节点的学习表示之后，将视图z下每个通道的节点i进行拼接操作，由于节点特征的逐层衰减，在此基础上增加了连接操作： 表示视图z下通道s的节点i的最终表示，通过累计求和的连接方式完成多通道的融合，为了确保节点特征的平滑，将非线性函数和归一化操作应用上述结果，通过表示视图z下节点i的最终表示： βiZ为视图z下的节点i表示，WiZ为权重参数，为偏置项；多视图注意力模块中，为了将输入特征转换为高级输出特征，通过可学习权重向量α的共享线性变换应用于每个节点，注意力机制计算的系数表示为： 其中，W和b均是可学习的参数，表示不同视图的权重，表示最终视图z下的节点i表示，进一步的将最终的节点表示为： 其中表示视图z下的节点i的表示，以为权重参数，通过对不同视图下的节点进行加权和组合的方式生成全局节点表示xi。

全文数据：

权利要求：

百度查询： 青海师范大学 基于多视图Graph Transformer的社交机器人检测系统及方法