咨询与建议

看过本文的还看了

相关文献

该作者的其他文献

文献详情 >基于SDNE嵌入表达的深度学习跨网络身份关联方法 收藏

基于SDNE嵌入表达的深度学习跨网络身份关联方法

作     者:程佳琳 袁得嵛 孙泽宇 陈梓彦 

作者机构:安全防范与风险评估公安部重点实验室 中国人民公安大学信息网络安全学院 

出 版 物:《计算机科学与探索》 (Journal of Frontiers of Computer Science and Technology)

年 卷 期:2024年

核心收录:

学科分类:08[工学] 081104[工学-模式识别与智能系统] 0811[工学-控制科学与工程] 

基  金:国家社会科学基金重点项目(20AZD114) 中国人民公安大学基本科研业务费重点项目(2022JKF02007) 

主  题:网络嵌入 社交网络 深度学习 身份关联 

摘      要:挖掘海量虚拟身份之间的关联关系,确定不同虚拟身份的同一性对于用户精准推荐、异常用户检测、舆情管控等具有重要意义。为了判别多个不同虚拟网络身份是否为同一个人所拥有,提出了一种基于SDNE(Structural Deep Network Embedding)嵌入表达的深度学习算法(eSUIL)来解决跨网络用户身份关联的问题并构建了一个跨网络用户身份关联统一框架。首先,对社交网络中的用户关系进行扩展,接着借鉴SDNE模型的思想对不同网络中的用户节点进行嵌入学习,将用户节点映射到低维向量空间中。然后,使用深度神经网路构造映射函数得到用户节点的准确表达,最后,计算用户节点间的相似度以进行用户对齐,从而实现跨社交网络的用户身份关联。为了提高身份关联的准确性,还引入用户名信息作为辅助判断。通过在真实社交网络数据集和人工合成网络数据集上分别进行实验验证,实验结果对比基线算法PALE、CLF(Collective Link Fusion)以及Deeplink在准确率和F1值上均提高了8%以上,表明本文提出的eSUIL算法在身份关联方面具有优异的性能,能够准确关联不同网络中的同一用户身份。

读者评论 与其他读者分享你的观点

用户名:未登录
我的评分