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！

龙图腾网获悉黑龙江省网络空间研究中心(黑龙江省信息安全测评中心、黑龙江省国防科学技术研究院)申请的专利一种社交网络异常事件类型识别方法及识别系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119106130B 。

龙图腾网通过国家知识产权局官网在2025-08-01发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411099836.1，技术领域涉及：G06F16/35；该发明授权一种社交网络异常事件类型识别方法及识别系统是由曲家兴;方舟;白瑞;宋雪;杨霄璇;姜天一;黄业迪;李晗;许言;尤晓刚;韩建雍;马遥;树彬;潘天贺设计研发完成，并于2024-08-12向国家知识产权局提交的专利申请。

本一种社交网络异常事件类型识别方法及识别系统在说明书摘要公布了：一种社交网络异常事件类型识别方法及识别系统，本发明涉及社交网络异常事件类型识别方法及识别系统，本发明属于社交网络异常识别领域。本发明的目的是为了解决现有方法对社交网络异常账号检测识别准确率低的问题。过程为：构建社交网络账号图；从社交网络中选取若干有标签账号并进行异常账号判断，如果是正常账号则标记正常标签，如果是异常账号则标记异常标签，从而获取有标签账户；得到有标签账号属性的文本特征；根据社交网络账号图生成社交网络的邻接矩阵；获得训练好的属性特征映射网络；获得训练好的结构特征映射网络；对需要进行异常检测的社交网络中的未标记标签账号进行检测，得到未标记标签账号为正常账号和异常账号的概率。

本发明授权一种社交网络异常事件类型识别方法及识别系统在权利要求书中公布了：1.一种社交网络异常事件类型识别方法，其特征在于：所述方法具体过程为： S1：构建社交网络账号图G＝V,E,X，其中V表示社交网络中所有有标签账号所构成的集合，即节点集合；E表示社交网络中有标签账号之间的所有边构成的集合，当两个账号产生交互行为则在这两个账号之间产生边，X表示所有有标签账号的属性信息所构成的集合，其中账号属性信息为文本信息； S2：从社交网络中选取若干有标签账号并进行异常账号判断，如果是正常账号则标记正常标签，如果是异常账号则标记异常标签，从而获取有标签账户； S3：采用文本特征提取方法对每个有标签账号的属性信息进行特征提取，得到有标签账号属性的文本特征； S4：根据社交网络账号图G＝V,E,X生成社交网络的邻接矩阵； S5：构建属性特征映射网络； 将各个有标签账号属性的文本特征输入属性特征映射网络，得到各个账号对应的属性向量，然后将属性向量输入至预先设置好的分类器中，得到账号为正常账号和异常账号的概率；对属性特征映射网络进行训练，获得训练好的属性特征映射网络； S6：构建结构特征映射网络； 将各个有标签账号属性的文本特征作为行向量构建得到文本特征矩阵，将文本特征矩阵和有标签邻接矩阵一起输入结构特征映射网络，得到所有账户的结构向量构成的结构矩阵，从结构矩阵中提取出每个行向量作为对应账户的结构向量，然后将结构向量输入至预先设置好的分类器中，得到账号为正常账号和异常账号的概率；对结构特征映射网络进行训练，获得训练好的结构特征映射网络； S7：对需要进行异常检测的社交网络中的未标记标签账号进行检测，得到社交网络中的未标记标签账号为正常账号和异常账号的概率； 所述步骤S3中文本特征提取方法采用基于词袋模型的文本特征提取方法； 所述S5中将各个有标签账号属性的文本特征输入属性特征映射网络，得到各个账号对应的属性向量； 具体过程为： 将账号属性的文本特征A输入层归一化层，层归一化层输出特征输入多头协同注意力，多头协同注意力输出特征与特征A进行加和处理，得到加和处理后的特征B； 将加和处理后的特征B输入层归一化层，层归一化层输出特征输入多层感知机MLP，多层感知机MLP输出特征与加和处理后的特征B进行加和处理，得到加和处理后的特征C，作为各个账号对应的属性向量； 所述将账号属性的文本特征A输入层归一化层，层归一化层输出特征输入多头协同注意力，多头协同注意力输出特征与特征A进行加和处理，得到加和处理后的特征B； 具体过程为： 1、将账号属性的文本特征A输入层归一化层，层归一化层输出特征A′； 2、特征A′输入多头协同注意力，多头协同注意力输出特征A″； 3、多头协同注意力输出特征A″与特征A进行加和处理，得到加和处理后的特征B； 所述2中特征A′输入多头协同注意力，多头协同注意力输出特征A″； 具体过程为： 基于层归一化层输出特征A′得到Q、K和V矩阵；表达式为： 其中，linear表示线性化处理；*表示乘号； 将Q依次输入二维1×1卷积层、ReLU激活层、二维1×1卷积层、ReLU激活层，得到特征QI； 将K依次输入二维1×1卷积层、ReLU激活层、二维1×1卷积层、ReLU激活层，得到特征KI； 将V依次输入二维1×1卷积层、ReLU激活层、二维1×1卷积层、ReLU激活层，得到特征VI； 计算多头注意力；表达式为： 其中，xSA表示一个注意力头上的结果，attentionQ,K,V表示缩放点积注意力，softmax·表示归一化函数，表示K的维度的开方，·表示点积乘法，上角标T表示求转置； 其中，MHSA·表示多头注意力，concat·表示级联操作，表示第一个注意力头上的结果，表示第二个注意力头上的结果，表示第h个注意力头上的结果； 将SE和MHSA协同组合，输出特征A″，作为多头协同注意力输出特征，可以进一步提高模型的理解能力；表达式为： SEA′＝σslinearσmlinearavgpoolA′+maxpoolA′ 其中，SE·表示挤压-激励注意力函数，linear·代表线性映射，avgpool·代表平均池化，maxpool·代表最大池化；σm代表Mish激活函数；σs·表示Sigmoid函数；表示矩阵乘法； 所述步骤S6中将各个有标签账号属性的文本特征作为行向量构建得到文本特征矩阵，将文本特征矩阵和有标签邻接矩阵一起输入结构特征映射网络，得到所有账户的结构向量构成的结构矩阵，从结构矩阵中提取出每个行向量作为对应账户的结构向量； 具体过程为： 根据权重矩阵W构造邻接矩阵；计算过程为： A1n0,n1＝Wn0,n1 A4n3,n4＝14Wn0,n1+Wn1,n2+Wn2,n3+Wn3,n4 其中，n0,n1,n2,n3,n4分别表示节点； A1n0,n1表示一阶跳图邻接矩阵，A4n3,n4表示四阶跳图邻接矩阵，N表示节点个数； Wn0,n1表示n0和n1之间的权重矩阵，Wn1,n2表示n1和n2之间的权重矩阵，Wn2,n3表示n2和n3之间的权重矩阵，Wn3,n4表示n3和n4之间的权重矩阵； 基于邻接矩阵A1n0,n1和A4n3,n4，得到所有账户的结构向量构成的结构矩阵，从结构矩阵中提取出每个行向量作为对应账户的结构向量； 所述权重矩阵W表达式为： 其中，j表示节点j，i表示节点i，δi表示i的相邻节点，||i-j||表示节点i和j之间的欧氏距离； 所述基于邻接矩阵A1n0,n1和A4n3,n4，得到所有账户的结构向量构成的结构矩阵； 具体过程为： 1、将文本特征矩阵和一阶跳图邻接矩阵A1输入到图卷积GCN，图卷积GCN提取的局部特征输入BN中，BN输出节点特征矩阵B1；表达式为： B1＝BNGCNB,A1 将文本特征矩阵和四阶跳图邻接矩阵A4输入到图卷积GCN，图卷积GCN提取的局部特征输入BN中，BN输出节点特征矩阵B4；表达式为： B4＝BNGCNB,A4 其中，GCN·表示图卷积，BN·是批归一化函数； 2、将节点特征矩阵B1和一阶跳图邻接矩阵A1输入到图卷积GCN，图卷积GCN提取的局部特征经过非线性激活，输出节点特征矩阵B11；表达式为： B11＝δGCNB1,A1 将节点特征矩阵B4和四阶跳图邻接矩阵A4输入到图卷积GCN，图卷积GCN提取的局部特征经过非线性激活，输出节点特征矩阵B44；表达式为： B44＝δGCNB4,A4 其中，δ表示线性整流函数； 3、将节点特征矩阵B1和四阶跳图邻接矩阵A4输入到图卷积GCN，图卷积GCN提取的局部特征经过非线性激活，输出Query1向量和Key1向量；表达式为： Query1,Key1＝δGCNB1,A4 将节点特征矩阵B4和一阶跳图邻接矩阵A1输入到图卷积GCN，图卷积GCN提取的局部特征经过非线性激活，输出Query2向量和Key2向量；表达式为： Query2,Key2＝δGCNB4,A1 4、将Query1向量和Key1向量交叉相乘得到注意力权重矩阵1； 将Query2向量和Key2向量交叉相乘得到注意力权重矩阵2； 将注意力权重矩阵1和注意力权重矩阵2进行拼接得到注意力权重矩阵； 5、将注意力权重矩阵与节点特征矩阵B11进行交叉相乘得到节点特征矩阵1； 将注意力权重矩阵与节点特征矩阵B44进行交叉相乘得到节点特征矩阵2； 将节点特征矩阵1和节点特征矩阵2进行拼接得到所有账户的结构向量构成的结构矩阵； 所述S7中对需要进行异常检测的社交网络中的未标记标签账号进行检测，得到社交网络中的未标记标签账号为正常账号和异常账号的概率； 具体过程为： 采用文本特征提取方法对每个未标记标签账号的属性信息进行特征提取，得到未标记标签账号属性的文本特征； 将未标记标签账号属性的文本特征输入训练好的属性特征映射网络中，得到未标记标签账号对应的属性向量； 将未标记标签账号属性的文本特征作为行向量构建文本特征矩阵，将文本特征矩阵和邻接矩阵一起输入训练好的结构特征映射网络，得到所有账户的结构向量构成的结构矩阵，从结构矩阵中提取出未标记标签账号对应的结构向量； 将属性向量输入至预先设置好的分类器中，得到账号为正常账号和异常账号的概率； 将结构向量输入至预先设置好的分类器中，得到账号为正常账号和异常账号的概率； 将两个正常账号的概率值相加后取均值，作为最终为正常账号的概率。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人黑龙江省网络空间研究中心(黑龙江省信息安全测评中心、黑龙江省国防科学技术研究院)，其通讯地址为：150000 黑龙江省哈尔滨市南岗区华山路12号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。