基于多源信息融合的社交网络挖掘

doi:10.3969/j.issn.1671-1122.2017.09.017

信息网络安全 ›› 2017, Vol. 17 ›› Issue (9): 73-76.doi: 10.3969/j.issn.1671-1122.2017.09.017

基于多源信息融合的社交网络挖掘

莫靖杰^1,²(), 屠晨阳^1,², 彭佳^1,², 袁珺^1,²

1. 中国科学院数据与通信保护研究教育中心,北京 100093
2. 信息安全国家重点实验室,北京 100093

收稿日期:2017-08-01 出版日期:2017-09-20 发布日期:2020-05-12
作者简介:
作者简介：莫靖杰（1993—）,男,四川,硕士研究生,主要研究方向为信息安全、数据挖掘;屠晨阳（1988—）,男,北京,助理研究员,博士,主要研究方向为信息安全;彭佳（1988—）,女,天津,工程师,硕士,主要研究方向为信息安全;袁珺（1991—）,男,湖南,博士研究生,主要研究方向为信息安全、机器学习。
基金资助:
国家重点研发计划[2016QY03D0503];院部战略合作专项[AQ-1708,AQ-1703]

Social Network Mining Based on Multi-source Information Fusion

Jingjie MO^1,²(), Chenyang TU^1,², Jia PENG^1,², Jun YUAN^1,²

1. Data Assurance and Communication Security Research Center, Chinese Academy of Sciences, Beijing 100093, China
2. State Key Laboratory of Information Security, Beijing 100093, China

Received:2017-08-01 Online:2017-09-20 Published:2020-05-12

摘要/Abstract

摘要：

文章提出一种基于多源信息融合隐式表达的社交网络挖掘的新思路,利用DNGR模型表征结构信息,针对LDA不能描述节点间文本相似性的问题,提出DLDA模型表征文本信息,最后利用SDAE模型进行信息融合。文章在真实数据集上对社交网络挖掘的经典任务链路预测、社区发现、异常节点发现进行实验,证明了该多源信息融合隐式表达的有效性。

关键词: 多源信息融合, 网络隐式表达, 自编码模型, 社交网络挖掘

Abstract:

This paper proposes a creative method for network embedding based on multi-source information fusion, which use DNGR model to represent structure information, and proposes a new model called DLDA to represent semantic information instead of LDA model because LDA model can’t describe the semantic similarity between the nodes, and use SDAE model for information fusion in the end. This paper evaluate the method on real-world datasets by applying it to the task of link prediction, community detection and abnormal nodes detection, which are the classic task in social network mining, and prove the effectiveness of our method.

Key words: multi-source information fusion, network embedding, autoencoder, social network mining

中图分类号:

TP309.1

莫靖杰, 屠晨阳, 彭佳, 袁珺. 基于多源信息融合的社交网络挖掘[J]. 信息网络安全, 2017, 17(9): 73-76.

Jingjie MO, Chenyang TU, Jia PENG, Jun YUAN. Social Network Mining Based on Multi-source Information Fusion[J]. Netinfo Security, 2017, 17(9): 73-76.

图/表 6

参考文献 12

[1]	周玉晶,沈嘉荟,邱海韬,等. 基于复杂网络的社交媒体内容安全可视化分析系统[J]. 信息网络安全,2016(9):158-162.
[2]	PEROZZI B, AL-RFOU R, SKIENA S.Deepwalk: Online Learning of Social Representations[C]//ACM. 20th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, August 24-27, 2014, New York, USA. New York: ACM, 2014:701-710.
[3]	刘奇飞. 基于兴趣的微博用户关系分析原型系统研究[J]. 信息网络安全,2016(9):240-245.
[4]	GROVER A, LESKOVEC J.Node2vec: Scalable Feature Learning for Networks[C]//ACM. 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, August 13-17, 2016, San Francisco, California, USA. New York: ACM, 2016: 855-864.
[5]	CAO Shaosheng, LU Wei, XU Qiongkai.Deep Neural Networks for Learning Graph Representations[C]//ACM. 13th AAAI Conference on Artificial Intelligence, February 12-17, 2016, Phoenix, Arizona. New York: Acm, 2016: 1145-1152.
[6]	任浩,罗森林,潘丽敏,等. 基于图结构的文本表示方法研究[J]. 信息网络安全,2017(3):46-52.
[7]	赵姝,刘晓曼,段震,等. 社交关系挖掘研究综述[J]. 计算机学报,2017(3):535-553.
[8]	GONG N Z, LIU Bin. You are Who You Know and How You Behave: Attribute Inference Attacks via Users’ Social Friends and Behaviors[EB/OL]. , 2017-5-11.
[9]	LU Linyuan, ZHOU Tao.Link Prediction in Complex Networks: A Survey[J]. Physica A: Statistical Mechanics and Its Applications, 2011(6): 1150-1170.
[10]	NG A Y, JORDAN M I, WEISS Y.On Spectral Clustering: Analysis and an Algorithm[C]//ACM. 14th International Conference on Neural Information Processing Systems: Natural and Synthetic, December 3-8, 2001, Vancouver, British Columbia, Canada. New York: 2001: 849-856.
[11]	CHANDOLA V, BANERJEE A, KUMAR V.Anomaly Detection: A Survey[J]. ACM Computing Surveys, 2009, 41(3): 1-15.
[12]	BHUYAN M H, BHATTACHARYYA D K, KALITA J K.Network Anomaly Detection: Methods, Systems and Tools[J]. IEEE Communications Surveys & Tutorials, 2014, 16(1): 303-336.

[1]	翟高寿, 刘晨, 向勇. 基于内核函数监控的Linux系统防护方法的研究与实现[J]. 信息网络安全, 2018, 18(3): 26-38.
[2]	夏卓群, 赵磊, 王静, 李文欢. 一种基于虚拟环架构的电力用户隐私保护方法研究[J]. 信息网络安全, 2018, 18(2): 48-53.
[3]	魏书宁, 陈幸如, 唐勇, 刘慧. AR-HELM算法在网络流量分类中的应用研究[J]. 信息网络安全, 2018, 18(1): 9-14.
[4]	赵国锋, 叶飞, 姚永安, 赵岩. 一种面向云中心网络入侵检测的多模式匹配算法[J]. 信息网络安全, 2018, 18(1): 52-57.
[5]	亢保元, 王佳强, 邵栋阳, 李春青. 一种适用于异构Ad Hoc无线传感器网络的身份认证与密钥共识协议[J]. 信息网络安全, 2018, 18(1): 23-30.
[6]	石悦, 李相龙, 戴方芳. 一种基于属性基加密的增强型软件定义网络安全框架[J]. 信息网络安全, 2018, 18(1): 15-22.
[7]	张建标, 赵子枭, 胡俊, 王晓. 云环境下可重构虚拟可信根的设计框架[J]. 信息网络安全, 2018, 18(1): 1-8.
[8]	康凯, 王重道, 王生进, 范英. 面向人口信息人像比对应用的人像比对算法研究[J]. 信息网络安全, 2017, 17(12): 80-84.
[9]	邓伏虎, 李震宇, 曾莉尧, 熊虎. 一种支持El-Gamal安全外包解密的云密码系统[J]. 信息网络安全, 2017, 17(12): 73-79.
[10]	裴杨, 瞿学鑫, 郭晓博, 段丁阳. 基于node2vec的社交网络用户属性补全攻击[J]. 信息网络安全, 2017, 17(12): 67-72.
[11]	陈璨璨, 崔浩亮, 张文, 牛少彰. 基于安全容器的Activity钓鱼劫持防御方案[J]. 信息网络安全, 2017, 17(12): 61-66.
[12]	宋利民, 宋晓锐. 一种基于混合加密的数据安全传输方案的设计与实现[J]. 信息网络安全, 2017, 17(12): 6-10.
[13]	宋伟, 张栋梁, 齐振国, 郑男. 一种基于三维卷积网络的暴力视频检测方法[J]. 信息网络安全, 2017, 17(12): 54-60.
[14]	周振飞, 方滨兴, 崔翔, 刘奇旭. 基于相似性分析的WordPress主题恶意代码检测[J]. 信息网络安全, 2017, 17(12): 47-53.
[15]	李红灵, 邹建鑫. 基于SVM和文本特征向量提取的SQL注入检测研究[J]. 信息网络安全, 2017, 17(12): 40-46.

基于多源信息融合的社交网络挖掘

Social Network Mining Based on Multi-source Information Fusion

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 6

参考文献 12

相关文章 15

编辑推荐

Metrics

本文评价