(19)國(guó)家知識(shí)產(chǎn)權(quán)局(12)發(fā)明專利(10)授權(quán)公告號(hào)CN115564456B(65)同一申請(qǐng)的已公布的文獻(xiàn)號(hào)(73)專利權(quán)人山西大學(xué)地址030006山西省太原市塢城路92號(hào)(72)發(fā)明人杜航原曹振武王文劍白亮梁吉業(yè)(74)專利代理機(jī)構(gòu)太原申立德知識(shí)產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙)14115專利代理師郭海燕GO6N3/0455(2023.01)杜航原.融合知識(shí)的多視圖屬性網(wǎng)絡(luò)異常檢測(cè)模型.自動(dòng)化學(xué)報(bào).2023,第49卷(第8期),全曹振武.基于知識(shí)融合的網(wǎng)絡(luò)異常檢測(cè)方法研究.碩士電子期刊出版.2024,全文.審查員張力(54)發(fā)明名稱一種電商網(wǎng)絡(luò)異常產(chǎn)品檢測(cè)方法及系統(tǒng)本發(fā)明涉及互聯(lián)網(wǎng)電商領(lǐng)域，為了提高異常產(chǎn)品檢測(cè)的有效性和可靠性，公開了一種電商網(wǎng)絡(luò)異常產(chǎn)品檢測(cè)方法及系統(tǒng)。所述方法包括領(lǐng)域知識(shí)圖譜數(shù)據(jù)預(yù)處理環(huán)節(jié)、電商網(wǎng)絡(luò)異常產(chǎn)品檢測(cè)模型構(gòu)建及優(yōu)化環(huán)節(jié)和電商網(wǎng)絡(luò)異常產(chǎn)品檢測(cè)結(jié)果輸出及處理環(huán)節(jié)。本發(fā)明結(jié)合TransR模型獲得的領(lǐng)域知識(shí)圖譜中產(chǎn)品的知識(shí)和電商網(wǎng)絡(luò)拓?fù)錁?gòu)造其孿生網(wǎng)絡(luò)，在多視圖編碼器分別對(duì)電商網(wǎng)絡(luò)和孿生網(wǎng)絡(luò)進(jìn)行編碼后，通過聚合器實(shí)現(xiàn)了對(duì)產(chǎn)品領(lǐng)域知識(shí)的有效融合，最終，依據(jù)解碼的誤差為每個(gè)產(chǎn)品計(jì)算一個(gè)異常分?jǐn)?shù)來(lái)評(píng)估其異常程度，進(jìn)而完成異常產(chǎn)品的檢測(cè)和識(shí)別。本能。電商網(wǎng)絡(luò)領(lǐng)域知識(shí)電商網(wǎng)絡(luò)領(lǐng)域知識(shí)圖譜數(shù)據(jù)構(gòu)建電商網(wǎng)絡(luò)的李構(gòu)建電商網(wǎng)絡(luò)異常產(chǎn)品檢測(cè)模型電商網(wǎng)絡(luò)異常產(chǎn)品檢測(cè)模型求解電商網(wǎng)絡(luò)異常產(chǎn)品結(jié)果輸出電商網(wǎng)絡(luò)數(shù)據(jù)流程方向21.一種電商網(wǎng)絡(luò)異常產(chǎn)品檢測(cè)方法，其特征在于，包括以下步驟：S10、面向電商網(wǎng)絡(luò)中的產(chǎn)品采集所有相關(guān)三元組，并進(jìn)行數(shù)據(jù)清洗以構(gòu)成領(lǐng)域知識(shí)圖S20、對(duì)步驟S10獲取的知識(shí)圖譜應(yīng)用TransR模型，獲得產(chǎn)品領(lǐng)域知識(shí)的嵌入向量，并依據(jù)電商網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)構(gòu)造其孿生網(wǎng)絡(luò)；S30、基于步驟S20中獲得的孿生網(wǎng)絡(luò)，利用圖自編碼器和圖注意力網(wǎng)絡(luò)構(gòu)建電商網(wǎng)絡(luò)異常產(chǎn)品檢測(cè)模型；S40、對(duì)于步驟S30構(gòu)建的電商網(wǎng)絡(luò)異常產(chǎn)品檢測(cè)模型，通過迭代計(jì)算方式對(duì)模型進(jìn)行S50、利用步驟S30構(gòu)建的電商網(wǎng)絡(luò)異常產(chǎn)品檢測(cè)模型，以及步驟S40確定的模型參數(shù)，將異常產(chǎn)品檢測(cè)結(jié)果進(jìn)行輸出，并對(duì)異常產(chǎn)品進(jìn)行處理；所述步驟S20包括以下具體步驟：S21、將電商網(wǎng)絡(luò)數(shù)據(jù)表示為屬性網(wǎng)絡(luò)G=(V,E,X),電商網(wǎng)絡(luò)中的產(chǎn)品表示為屬性網(wǎng)絡(luò)中產(chǎn)品節(jié)點(diǎn)，產(chǎn)品之間的共同購(gòu)買關(guān)系表示為產(chǎn)品節(jié)點(diǎn)之間的邊；其中，V={v;li=1,2,...,n}表示網(wǎng)絡(luò)中n個(gè)產(chǎn)品節(jié)點(diǎn)構(gòu)成的集合，v;表示第i個(gè)產(chǎn)品對(duì)應(yīng)的節(jié)點(diǎn)，每個(gè)產(chǎn)品節(jié)點(diǎn)具有d絡(luò)中所有邊構(gòu)成的集合，e(i,j)為產(chǎn)品節(jié)點(diǎn)v和v;之間的邊，表示有用戶同時(shí)購(gòu)買了這兩個(gè)節(jié)點(diǎn)代表的產(chǎn)品，屬性網(wǎng)絡(luò)共包含|E|=m條邊；X∈R”d為所有產(chǎn)品節(jié)點(diǎn)的屬性向量組成的=1,否則A?=0;S22、對(duì)于S13獲得的領(lǐng)域知識(shí)圖譜中的每個(gè)三元組(h,r,t),將其頭實(shí)體與尾實(shí)體的嵌入分別記作h和t,令r表示實(shí)體間關(guān)系的嵌入，并對(duì)關(guān)系r設(shè)置一個(gè)映射矩陣M將實(shí)體從實(shí)體空間投影到相應(yīng)的關(guān)系空間，分別獲得頭實(shí)體投影向量h和尾實(shí)體投影向量t,如式(1)S23、進(jìn)一步地，在投影實(shí)體之間建立轉(zhuǎn)換，通過式(3)(3)的得分函數(shù)計(jì)算頭、尾實(shí)體投影向量之間的距離，以此來(lái)衡量事實(shí)成立的可能性：其中，f(h,t)表示頭實(shí)體h和尾實(shí)體t之間的距離得分；S24、通過迭代步驟S22和S23對(duì)三元組的嵌入不斷更新，并從嵌入結(jié)果中抽取電商網(wǎng)絡(luò)中產(chǎn)品對(duì)應(yīng)實(shí)體的知識(shí)嵌入，構(gòu)建屬性網(wǎng)絡(luò)的領(lǐng)域知識(shí)矩陣，記作K∈R,其中k∈K表示產(chǎn)品節(jié)點(diǎn)v的知識(shí)特征；S25、基于屬性網(wǎng)絡(luò)9=(V,E,X)的拓?fù)浣Y(jié)構(gòu)A和領(lǐng)域知識(shí)矩陣K構(gòu)造屬性網(wǎng)絡(luò)的孿生網(wǎng)2.根據(jù)權(quán)利要求1所述的一種電商網(wǎng)絡(luò)異常產(chǎn)品檢測(cè)方法，其特征在于，該方法所述步驟S10包含以下具體步驟：3S11、對(duì)于電商網(wǎng)絡(luò)中的每個(gè)產(chǎn)品，使用SPARQL語(yǔ)句從DBpedia知識(shí)圖譜中依據(jù)頭實(shí)體或尾實(shí)體進(jìn)行匹配，為該產(chǎn)品抽取所有相關(guān)三元組；S12、對(duì)步驟S11獲得的三元組進(jìn)行清洗，剔除頭實(shí)體或尾實(shí)體為圖片鏈接、其他語(yǔ)種表示的同義實(shí)體或者為文本信息的三元組，降低由于三元組的冗余和噪聲對(duì)檢測(cè)結(jié)果可能造成的影響；S13、使用步驟S12預(yù)處理后三元組構(gòu)成領(lǐng)域知識(shí)圖譜，記作T=(N,R,T),其中，N為實(shí)體的集合，R為關(guān)系的集合，R中的關(guān)系連接兩個(gè)實(shí)體構(gòu)成三元組(h,r,t)∈T,h∈N為頭實(shí)體，t∈N為尾實(shí)體，r為實(shí)體間關(guān)系，T表示三元組的集合，每個(gè)三元組分別描述現(xiàn)實(shí)世界中關(guān)于產(chǎn)品的一條知識(shí)。3.根據(jù)權(quán)利要求2所述的一種電商網(wǎng)絡(luò)異常產(chǎn)品檢測(cè)方法，其特征在于，該方法所述步驟S30中的電商網(wǎng)絡(luò)異常產(chǎn)品檢測(cè)模型包含由屬性編碼器和知識(shí)編碼器組成的多視圖編碼1)屬性編碼器由兩個(gè)注意力層堆疊而成，在屬性視圖下將屬性網(wǎng)絡(luò)9=(V,E,X)編碼為隱空間中的產(chǎn)品節(jié)點(diǎn)低維嵌入；其中，第一層使用多頭注意力機(jī)制，第二層使用單頭注意力機(jī)制，編碼過程的形式化表示如式(4)所示：式中，Zg∈R”為屬性編碼器輸出的隱空間中產(chǎn)品節(jié)點(diǎn)低維嵌入，h′為產(chǎn)品節(jié)點(diǎn)嵌入的力層，在對(duì)屬性網(wǎng)絡(luò)中產(chǎn)品節(jié)點(diǎn)的鄰域信息進(jìn)行聚合的過程中，圖注意力機(jī)制對(duì)鄰域內(nèi)各產(chǎn)品節(jié)點(diǎn)賦予了不同的注意力系數(shù)；產(chǎn)品節(jié)點(diǎn)v?與其鄰居之間的注意力系數(shù)由式(5)計(jì)算：產(chǎn)品節(jié)點(diǎn)v的一階鄰居節(jié)點(diǎn)集合；WaER“×是作用到每個(gè)產(chǎn)品節(jié)點(diǎn)上的可學(xué)習(xí)權(quán)重矩陣，I表示拼接操作，c∈R2為權(quán)重向量；LeakyReLU(·)函數(shù)如式(6)定義：為了使產(chǎn)品節(jié)點(diǎn)之間的注意力系數(shù)易于比較，接下來(lái)通過式(7)對(duì)注意力系數(shù)進(jìn)行歸一化：數(shù)與鄰居產(chǎn)品節(jié)點(diǎn)輸入特征的線性組合得到產(chǎn)品節(jié)點(diǎn)v;在單頭注意力圖注意力層的輸出其中，x;'表示單頭注意力下的圖注意力層輸出的產(chǎn)品節(jié)點(diǎn)v?的嵌入，σ(·)為激活函4以上步驟通過單頭注意力機(jī)制聚合鄰域信息對(duì)產(chǎn)品節(jié)點(diǎn)嵌入進(jìn)行了更新；進(jìn)一步地，為了增強(qiáng)模型泛化能力，在圖注意力層中引入多頭注意力機(jī)制，通過多個(gè)相互獨(dú)立的單頭注意力網(wǎng)絡(luò)分別計(jì)算出一組注意力系數(shù)，再通過式(9)將多個(gè)嵌入結(jié)果進(jìn)行拼接，得到產(chǎn)品節(jié)點(diǎn)v;在多頭注意力圖注意力層的輸出特征：其中，x,"為具有多頭注意力的圖注意力層輸出的產(chǎn)品節(jié)點(diǎn)v;的嵌入；P表示單頭注意力網(wǎng)絡(luò)的數(shù)量，α”表示第p個(gè)注意力網(wǎng)絡(luò)計(jì)算得到的注意力系數(shù)，W表示第p個(gè)注意力網(wǎng)絡(luò)的權(quán)重矩陣；G′=(V,E,K)編碼為隱空間中產(chǎn)品節(jié)點(diǎn)的低維嵌入，其構(gòu)成如式(10)所示：其中，Zg,∈R為知識(shí)編碼器輸出的產(chǎn)品節(jié)點(diǎn)在隱空間中的低維嵌入，函數(shù)g?(·,·)和3)聚合器對(duì)不同視圖下的網(wǎng)絡(luò)嵌入進(jìn)行融合，進(jìn)而獲得網(wǎng)絡(luò)中產(chǎn)品節(jié)點(diǎn)的多視圖統(tǒng)一嵌入；可以采用兩種視圖聚合策略中的任一種，具體如下：(1)拼接聚合器：對(duì)兩個(gè)視圖的產(chǎn)品節(jié)點(diǎn)嵌入進(jìn)行縱向拼接，形成一個(gè)維度更高的向U=concat(Zg,Zg)(11)其中，concat(·)表示縱向拼接操作，U∈RM(2)表示拼接聚合后形成的多視圖統(tǒng)一嵌(2)加和聚合器：將兩個(gè)視圖的嵌入按照對(duì)應(yīng)位置相加的方式，獲得一個(gè)同維度的新向式中，U∈R×為使用加和聚合器獲得的多視圖統(tǒng)一嵌入；4)解碼器包括結(jié)構(gòu)解碼器和特征解碼器，其中：結(jié)構(gòu)解碼器通過計(jì)算產(chǎn)品節(jié)點(diǎn)統(tǒng)一嵌入間的內(nèi)積實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)拓?fù)涞闹貥?gòu)，如式(13)所其中，A為結(jié)構(gòu)解碼器輸出的重構(gòu)后的網(wǎng)絡(luò)鄰接矩陣，U為采用任一種聚合器獲得的產(chǎn)品節(jié)點(diǎn)的多視圖統(tǒng)一嵌入，sigmoid(·)函數(shù)如式(14)定義：特征解碼器使用兩層全連接網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)產(chǎn)品節(jié)點(diǎn)特征的重構(gòu)，如式(15)所示：其中，X為重構(gòu)后的產(chǎn)品節(jié)點(diǎn)的特征信息，W和b(1分別表示第1個(gè)全連接層的參數(shù)矩5陣和偏置向量，1∈{1,2};該解碼器輸出的產(chǎn)品節(jié)點(diǎn)特征是對(duì)屬性信息和領(lǐng)域知識(shí)兩部分信息在同一特征空間中的重構(gòu)；5)檢測(cè)器利用產(chǎn)品節(jié)點(diǎn)在結(jié)構(gòu)和特征兩個(gè)維度的重構(gòu)誤差作為評(píng)價(jià)產(chǎn)品異常分?jǐn)?shù)的重要依據(jù)，具體異常評(píng)分函數(shù)如式(16)所示：式中，score(v;)為產(chǎn)品節(jié)點(diǎn)v;的異常分?jǐn)?shù)，用于反映第i個(gè)產(chǎn)品的異常程度，其取值越大表明產(chǎn)品的異常程度越高；a表示產(chǎn)品節(jié)點(diǎn)v在屬性網(wǎng)絡(luò)中的拓?fù)浣Y(jié)構(gòu)，和@分別為解征和拓?fù)浣Y(jié)構(gòu)兩部分重構(gòu)誤差在異常分?jǐn)?shù)中的比重。4.根據(jù)權(quán)利要求3所述的一種電商網(wǎng)絡(luò)異常產(chǎn)品檢測(cè)方法，其特征在于，該方法所述步驟S40包括以下具體步驟：S41、為S30建立的電商網(wǎng)絡(luò)異常產(chǎn)品檢測(cè)模型建立式(17)所示的聯(lián)合目標(biāo)函數(shù)：由于解碼器的輸入為經(jīng)聚合器融合后的統(tǒng)一嵌入，因此在計(jì)算特征重構(gòu)誤差時(shí)將屬性網(wǎng)絡(luò)與孿生網(wǎng)絡(luò)中的屬性作為共同參照；C為結(jié)構(gòu)重構(gòu)誤差，由式(19)定義：S42、對(duì)步驟S30中的電商網(wǎng)絡(luò)異常產(chǎn)品檢測(cè)模型進(jìn)行初始化，初始化編碼器參數(shù)Wenc和c,解碼器參數(shù)W.ec和b,隱藏層嵌入維度dim,注意力頭數(shù)nheads,平衡系數(shù)λ,迭代次數(shù)epoch和學(xué)習(xí)率learningrate;迭代執(zhí)行步驟S43～S48,直到達(dá)到迭代次數(shù)，完成對(duì)電商網(wǎng)絡(luò)異常產(chǎn)品檢測(cè)模型的訓(xùn)S43、將S13獲取的領(lǐng)域知識(shí)圖譜T作為輸入，按式(1)、式(2)和式(3)學(xué)習(xí)實(shí)體的知識(shí)嵌入，抽取電商網(wǎng)絡(luò)中產(chǎn)品對(duì)應(yīng)的實(shí)體知識(shí)向量組成領(lǐng)域知識(shí)矩陣K,并結(jié)合屬性網(wǎng)絡(luò)G=(V,E,X)的拓?fù)浣Y(jié)構(gòu)構(gòu)造孿生網(wǎng)絡(luò)9′=(V,E,K);S44、利用式(4)屬性編碼器和式(10)知識(shí)編碼器分別獲得屬性網(wǎng)絡(luò)的產(chǎn)品節(jié)點(diǎn)低維嵌入Zg和孿生網(wǎng)絡(luò)的產(chǎn)品節(jié)點(diǎn)低維嵌入Zg;S45、利用式(11)或(12)對(duì)兩個(gè)網(wǎng)絡(luò)的嵌入進(jìn)行聚合，獲得產(chǎn)品節(jié)點(diǎn)的統(tǒng)一嵌入U(xiǎn);S46、利用(13)和(15)對(duì)產(chǎn)品節(jié)點(diǎn)特征和結(jié)構(gòu)進(jìn)行解碼重構(gòu)得到A和文；S47、采用隨機(jī)梯度下降法，通過優(yōu)化式(17)中的聯(lián)合目標(biāo)函數(shù)C,完成反向傳播，實(shí)現(xiàn)對(duì)編碼器權(quán)重矩陣Wnc和權(quán)重向量c,解碼器權(quán)重矩陣Wdec和偏置向量b的更新；S48、利用式(16)檢測(cè)器對(duì)電商網(wǎng)絡(luò)中的每個(gè)產(chǎn)品計(jì)算其異常分?jǐn)?shù)score(v;)。5.根據(jù)權(quán)利要求4所述的一種電商網(wǎng)絡(luò)異常產(chǎn)品檢測(cè)方法，其特征在于，該方法所述步驟S50包含以下具體步驟：6S51、通過迭代執(zhí)行步驟S43～S48的訓(xùn)練過程獲得電商網(wǎng)絡(luò)異常產(chǎn)品檢測(cè)模型的最優(yōu)參數(shù)后，將最后一次訓(xùn)練中獲取的異常檢測(cè)結(jié)果作為最終的檢測(cè)結(jié)果；S52、將異常產(chǎn)品檢測(cè)結(jié)果輸出至電商平臺(tái)的運(yùn)營(yíng)和監(jiān)管人員，提升其異常產(chǎn)品檢測(cè)的效率和可靠性，并針對(duì)異常產(chǎn)品的危害程度及風(fēng)險(xiǎn)影響進(jìn)行進(jìn)一步針對(duì)性處理。6.一種電商網(wǎng)絡(luò)異常產(chǎn)品檢測(cè)系統(tǒng)，其特征在于：用于實(shí)現(xiàn)權(quán)利要求1-5任一項(xiàng)所述的電商網(wǎng)絡(luò)異常產(chǎn)品檢測(cè)方法，包括計(jì)算機(jī)處理器和內(nèi)存、電商網(wǎng)絡(luò)領(lǐng)域知識(shí)圖譜數(shù)據(jù)預(yù)處理單元、電商網(wǎng)絡(luò)異常產(chǎn)品檢測(cè)模型訓(xùn)練單元和電商網(wǎng)絡(luò)異常產(chǎn)品檢測(cè)結(jié)果輸出單元；所述電商網(wǎng)絡(luò)領(lǐng)域知識(shí)圖譜數(shù)據(jù)預(yù)處理單元執(zhí)行步驟S10,對(duì)采集到的電商網(wǎng)絡(luò)領(lǐng)域知識(shí)圖譜數(shù)據(jù)進(jìn)行預(yù)處理，并加載到計(jì)算機(jī)內(nèi)存中；電商網(wǎng)絡(luò)異常產(chǎn)品檢測(cè)模型訓(xùn)練單元根據(jù)電商網(wǎng)絡(luò)領(lǐng)域知識(shí)圖譜數(shù)據(jù)預(yù)處理單元產(chǎn)生的電商網(wǎng)絡(luò)領(lǐng)域知識(shí)圖譜執(zhí)行步驟S20～S40,構(gòu)建電商網(wǎng)絡(luò)異常產(chǎn)品檢測(cè)模型，通過迭代計(jì)算確定模型中參數(shù)的最優(yōu)值；電商網(wǎng)絡(luò)異常產(chǎn)品檢測(cè)結(jié)果輸出單元執(zhí)行步驟S50,將電商網(wǎng)絡(luò)異常產(chǎn)品檢測(cè)結(jié)果輸出至相關(guān)工作人員或科研人員，用于各電商平臺(tái)的異常產(chǎn)品檢測(cè)，網(wǎng)絡(luò)安全檢測(cè)類相關(guān)任務(wù)；所有單元中具體的數(shù)據(jù)處理和計(jì)算工作由所述計(jì)算機(jī)處理器完成，且所有單元都與所述計(jì)算機(jī)內(nèi)存數(shù)據(jù)交7一種電商網(wǎng)絡(luò)異常產(chǎn)品檢測(cè)方法及系統(tǒng)技術(shù)領(lǐng)域[0001]本發(fā)明涉及互聯(lián)網(wǎng)電商領(lǐng)域，特別涉及一種電商網(wǎng)絡(luò)異常產(chǎn)品檢測(cè)方法及系統(tǒng)。背景技術(shù)[0002]近年來(lái)，電商網(wǎng)絡(luò)因其不受時(shí)間和空間限制、商品資源豐富齊全和交易方式高效可靠等特點(diǎn)，逐漸成為人們生活中的重要組成部分。電商網(wǎng)絡(luò)在給人們生活帶來(lái)方便快捷的同時(shí)，也充滿了各種欺詐和異常風(fēng)險(xiǎn)。許多不良商家聯(lián)合大量欺詐用戶通過惡意刷單等方式將劣質(zhì)產(chǎn)品偽裝成良品混入合格產(chǎn)品的共同購(gòu)買網(wǎng)絡(luò)中，以此來(lái)騙取消費(fèi)者的信任和購(gòu)買，并獲取不正當(dāng)?shù)睦?。這些產(chǎn)品的存在嚴(yán)重威脅著電商網(wǎng)絡(luò)的安全健康，也嚴(yán)重?fù)p害了消費(fèi)者的利益。[0003]為了識(shí)別網(wǎng)絡(luò)中的異常產(chǎn)品，學(xué)術(shù)界和工業(yè)界提出了大量異常檢測(cè)方法，例如基于社區(qū)分析或測(cè)量自我中心網(wǎng)絡(luò)的方法、基于特征子空間選擇的方法、基于殘差分析的方法和基于深度學(xué)習(xí)的方法。從表現(xiàn)形式上來(lái)看，異常產(chǎn)品具有與正常產(chǎn)品相近的產(chǎn)品屬性，因此，僅僅依靠電商網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)和產(chǎn)品屬性往往難以對(duì)網(wǎng)絡(luò)中的異常產(chǎn)品做出準(zhǔn)確可靠的描述，導(dǎo)致其對(duì)決策生成的引導(dǎo)和支撐不充分，一定程度上限制了模型的異常檢測(cè)能力。事實(shí)上，電商網(wǎng)絡(luò)中的產(chǎn)品除了具有屬性信息外，還以其他形式存在著關(guān)于產(chǎn)品的領(lǐng)域知識(shí)描述。其中，知識(shí)圖譜作為一種廣泛且易于獲取的重要知識(shí)來(lái)源，通過圖的形式描述和存儲(chǔ)現(xiàn)實(shí)世界中的各類知識(shí)，能夠?yàn)楝F(xiàn)實(shí)中的實(shí)體提供豐富的背景領(lǐng)域知識(shí)。產(chǎn)品的知識(shí)和屬性是對(duì)同一對(duì)象在不同視角下的描述和刻畫，它們共同為決策生成提供了有力依據(jù)。因此，如何在檢測(cè)模型中融入領(lǐng)域知識(shí)，進(jìn)而提高異常檢測(cè)的可靠性，對(duì)電商網(wǎng)絡(luò)異常檢測(cè)技術(shù)的研究和應(yīng)用具有重要意義。發(fā)明內(nèi)容[0004]本發(fā)明要解決的技術(shù)問題是：設(shè)計(jì)一種電商網(wǎng)絡(luò)異常產(chǎn)品檢測(cè)方法及系統(tǒng)，通過融入產(chǎn)品的領(lǐng)域知識(shí)，對(duì)電商平臺(tái)網(wǎng)絡(luò)中的異常產(chǎn)品進(jìn)行有效可靠的檢測(cè)。[0005]為了達(dá)到上述目的，本發(fā)明采用了下列技術(shù)方案：[0006]本發(fā)明提供一種電商網(wǎng)絡(luò)異常產(chǎn)品檢測(cè)方法，該方法包含三個(gè)主要環(huán)節(jié)，步驟S10為電商網(wǎng)絡(luò)領(lǐng)域知識(shí)圖譜數(shù)據(jù)預(yù)處理環(huán)節(jié)，步驟S20～S40為電商網(wǎng)絡(luò)異常產(chǎn)品檢測(cè)模型構(gòu)建及優(yōu)化環(huán)節(jié)，步驟S50為電商網(wǎng)絡(luò)異常產(chǎn)品檢測(cè)結(jié)果輸出及處理環(huán)節(jié)。具體步驟如下：[0007]S10、面向電商網(wǎng)絡(luò)中的產(chǎn)品采集所有相關(guān)三元組，并進(jìn)行數(shù)據(jù)清洗以構(gòu)成領(lǐng)域知識(shí)圖譜，降低噪聲對(duì)檢測(cè)結(jié)果的影響；[0008]S20、對(duì)步驟S10獲取的知識(shí)圖譜應(yīng)用TransR模型，獲得產(chǎn)品領(lǐng)域知識(shí)的嵌入向量，并依據(jù)電商網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)構(gòu)造其孿生網(wǎng)絡(luò)；[0009]S30、基于步驟S20中獲得的孿生網(wǎng)絡(luò)，利用圖自編碼器和圖注意力網(wǎng)絡(luò)構(gòu)建電商網(wǎng)絡(luò)異常產(chǎn)品檢測(cè)模型；[0010]S40、對(duì)于步驟S30構(gòu)建的電商網(wǎng)絡(luò)異常產(chǎn)品檢測(cè)模型，通過迭代計(jì)算方式對(duì)模型8進(jìn)行訓(xùn)練，確定模型中的待定參數(shù)；[0011]S50、利用步驟S30構(gòu)建的電商網(wǎng)絡(luò)異常產(chǎn)品檢測(cè)模型，以及步驟S40確定的模型參數(shù)，將異常產(chǎn)品檢測(cè)結(jié)果進(jìn)行輸出，并對(duì)異常產(chǎn)品進(jìn)行處理。[0012]進(jìn)一步，該方法所述步驟S10包含以下具體步驟：[0013]S11、對(duì)于電商網(wǎng)絡(luò)中的每個(gè)產(chǎn)品，使用SPARQL語(yǔ)句從DBpedia知識(shí)圖譜中依據(jù)頭實(shí)體或尾實(shí)體進(jìn)行匹配，為該產(chǎn)品抽取所有相關(guān)三元組；[0014]S12、對(duì)步驟S11獲得的三元組進(jìn)行清洗，剔除頭實(shí)體或尾實(shí)體為圖片鏈接、其他語(yǔ)種表示的同義實(shí)體或者為文本信息的三元組，降低由于三元組的冗余和噪聲對(duì)檢測(cè)結(jié)果可能造成的影響；[0015]S13、使用步驟S12預(yù)處理后三元組構(gòu)成領(lǐng)域知識(shí)圖譜，記作T=(N,R,T),其中，N為實(shí)體的集合，R為關(guān)系的集合，R中的關(guān)系連接兩個(gè)實(shí)體構(gòu)成三元組(h,r,t)∈T,h∈N為頭實(shí)體，t∈N為尾實(shí)體，r為實(shí)體間關(guān)系，T表示三元組的集合，每個(gè)三元組分別描述現(xiàn)實(shí)世界中關(guān)于產(chǎn)品的一條知識(shí)。[0016]進(jìn)一步，該方法所述步驟S20包含以下具體步驟：[0017]S21、將電商網(wǎng)絡(luò)數(shù)據(jù)表示為屬性網(wǎng)絡(luò)G=(V,E,X),電商網(wǎng)絡(luò)中的產(chǎn)品表示為屬性的嵌入分別記作h和t,令r表示實(shí)體間關(guān)系的嵌入，并對(duì)關(guān)系r設(shè)置一個(gè)映射矩陣M將實(shí)體從實(shí)體空間投影到相應(yīng)的關(guān)系空間，分別獲得頭實(shí)體投影向量h和尾實(shí)體投影向量t,如式(1)和(2)所示：[0021]S23、進(jìn)一步地，在投影實(shí)體之間建立轉(zhuǎn)換，通過式(3)的得分函數(shù)計(jì)算頭、尾實(shí)體投影向量之間的距離，以此來(lái)衡量事實(shí)成立的可能性：[0023]其中，f(h,t)表示頭實(shí)體h和尾實(shí)體t之間的距離得分；網(wǎng)絡(luò)中產(chǎn)品對(duì)應(yīng)實(shí)體的知識(shí)嵌入，構(gòu)建屬性網(wǎng)絡(luò)的領(lǐng)域知識(shí)矩陣，記作K∈R”xd,其中k;∈K表示產(chǎn)品節(jié)點(diǎn)v;的知識(shí)特征；[0026]進(jìn)一步，所述步驟S30中的電商網(wǎng)絡(luò)異常產(chǎn)品檢測(cè)模型包含由屬性編碼器和知識(shí)9[0027]1)屬性編碼器由兩個(gè)注意力層堆疊而成，在屬性視圖下將屬性網(wǎng)絡(luò)9=(V,E,X)編[0029]式中，Zg∈R"×為屬性編碼器輸出的隱空間中產(chǎn)品節(jié)點(diǎn)低維嵌入，h′為產(chǎn)品節(jié)點(diǎn)域內(nèi)各產(chǎn)品節(jié)點(diǎn)賦予了不同的注意力系數(shù)；產(chǎn)品節(jié)點(diǎn)v與其鄰居之間的注意力系數(shù)由式N為產(chǎn)品節(jié)點(diǎn)v的一階鄰居節(jié)點(diǎn)集合；Wem∈RY×是作用到每個(gè)產(chǎn)品節(jié)點(diǎn)上的可學(xué)習(xí)權(quán)重[0034]為了使產(chǎn)品節(jié)點(diǎn)之間的注意力系數(shù)易于比較，接下來(lái)通過式(7)對(duì)注意力系數(shù)進(jìn)意力系數(shù)與鄰居產(chǎn)品節(jié)點(diǎn)輸入特征的線性組合得到產(chǎn)品節(jié)點(diǎn)v;在單頭注意力圖注意力層個(gè)相互獨(dú)立的單頭注意力網(wǎng)絡(luò)分別計(jì)算出一組注意力系數(shù)，再通過式(9)將多個(gè)嵌入結(jié)果[0043]2)知識(shí)編碼器具有和屬性編碼器完全相同的結(jié)構(gòu)，在知識(shí)視圖下將孿生網(wǎng)絡(luò)[0045]其中，Zg∈R"為知識(shí)編碼器輸出的產(chǎn)品節(jié)點(diǎn)在隱空間中的低維嵌入，函數(shù)g1[0054]結(jié)構(gòu)解碼器通過計(jì)算產(chǎn)品節(jié)點(diǎn)統(tǒng)一嵌入間的內(nèi)積實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)拓?fù)涞闹貥?gòu)，如式數(shù)矩陣和偏置向量，1∈{1,2};該解碼器輸出的產(chǎn)品節(jié)點(diǎn)特征是對(duì)屬性信息和領(lǐng)域知識(shí)兩[0061]5)檢測(cè)器利用產(chǎn)品節(jié)點(diǎn)在結(jié)構(gòu)和特征兩個(gè)維度的重構(gòu)誤差作為評(píng)價(jià)產(chǎn)品異常分11的特征和拓?fù)浣Y(jié)構(gòu)兩部分重構(gòu)誤差在異常分?jǐn)?shù)中的比重。[0064]進(jìn)一步，該方法所述步驟S40包含以下具體步驟：[0065]S41、為S30建立的電商網(wǎng)絡(luò)異常產(chǎn)品檢測(cè)模型建立式(17)所示的聯(lián)合目標(biāo)函數(shù)：[0069]由于解碼器的輸入為經(jīng)聚合器融合后的統(tǒng)一嵌入，因此在計(jì)算特征重構(gòu)誤差時(shí)將屬性網(wǎng)絡(luò)與孿生網(wǎng)絡(luò)中的屬性作為共同參照；C為結(jié)構(gòu)重構(gòu)誤差，由式(19)定義：[0072]S42、對(duì)步驟S30中的電商網(wǎng)絡(luò)異常產(chǎn)品檢測(cè)模型進(jìn)行初始化，初始化編碼器參數(shù)epoch和學(xué)習(xí)率learningrate;[0073]迭代執(zhí)行步驟S43～S48,直到達(dá)到迭代次數(shù)，完成對(duì)電商網(wǎng)絡(luò)異常產(chǎn)品檢測(cè)模型[0074]S43、將S13獲取的領(lǐng)域知識(shí)圖譜T作為輸入，按式(1)、式(2)和式(3)學(xué)習(xí)實(shí)體的知識(shí)嵌入，抽取電商網(wǎng)絡(luò)中產(chǎn)品對(duì)應(yīng)的實(shí)體知識(shí)向量組成領(lǐng)域知識(shí)矩陣K,并結(jié)合屬性網(wǎng)絡(luò)G=(V,E,X)的拓?fù)浣Y(jié)構(gòu)構(gòu)造孿生網(wǎng)絡(luò)G'=(V,E,K);[0075]S44、利用式(4)屬性編碼器和式(10)知識(shí)編碼器分別獲得屬性網(wǎng)絡(luò)的產(chǎn)品節(jié)點(diǎn)低維嵌入Zg和孿生網(wǎng)絡(luò)的產(chǎn)品節(jié)點(diǎn)低維嵌入Zg;[0076]S45、利用式(11)或(12)對(duì)兩個(gè)網(wǎng)絡(luò)的嵌入進(jìn)行聚合，獲得產(chǎn)品節(jié)點(diǎn)的統(tǒng)一嵌入U(xiǎn);[0077]S46、利用式(13)和(15)對(duì)產(chǎn)品節(jié)點(diǎn)特征和結(jié)構(gòu)進(jìn)行解碼重構(gòu)得到A和X;[0078]S47、采用隨機(jī)梯度下降法，通過優(yōu)化式(17)中的聯(lián)合目標(biāo)函數(shù)C,完成反向傳播，實(shí)現(xiàn)對(duì)編碼器權(quán)重矩陣Wnc和權(quán)重向量c,解碼器權(quán)重矩陣Wde和偏置向量b的更新；[0079]S48、利用式(16)檢測(cè)器對(duì)電商網(wǎng)絡(luò)中的每個(gè)產(chǎn)品計(jì)算其異常分?jǐn)?shù)score(v;)。[0080]進(jìn)一步，該方法所述步驟S50包含以下具體步驟：[0081]S51、通過迭代執(zhí)行步驟S43～S48的訓(xùn)練過程獲得電商網(wǎng)絡(luò)異常產(chǎn)品檢測(cè)模型的最優(yōu)參數(shù)后，將最后一次訓(xùn)練中獲取的異常檢測(cè)結(jié)果作為最終的檢測(cè)結(jié)果；[0082]S52、將異常產(chǎn)品檢測(cè)結(jié)果輸出至電商平臺(tái)的運(yùn)營(yíng)和監(jiān)管人員，提升其異常產(chǎn)品檢測(cè)的效率和可靠性，并針對(duì)異常產(chǎn)品的危害程度及風(fēng)險(xiǎn)影響進(jìn)行進(jìn)一步針對(duì)性處理。[0083]本發(fā)明還提供一種電商網(wǎng)絡(luò)異常產(chǎn)品檢測(cè)系統(tǒng)，用于實(shí)現(xiàn)上述的電商網(wǎng)絡(luò)異常產(chǎn)品檢測(cè)方法，包括計(jì)算機(jī)處理器和內(nèi)存、電商網(wǎng)絡(luò)領(lǐng)域知識(shí)圖譜數(shù)據(jù)預(yù)處理單元、電商網(wǎng)絡(luò)異常產(chǎn)品檢測(cè)模型訓(xùn)練單元和電商網(wǎng)絡(luò)異常產(chǎn)品檢測(cè)結(jié)果輸出單元；所述電商網(wǎng)絡(luò)領(lǐng)域知識(shí)圖譜數(shù)據(jù)預(yù)處理單元執(zhí)行步驟S10,對(duì)采集到的電商網(wǎng)絡(luò)領(lǐng)域知識(shí)圖譜數(shù)據(jù)進(jìn)行預(yù)處理，并加載到計(jì)算機(jī)內(nèi)存中；電商網(wǎng)絡(luò)異常產(chǎn)品檢測(cè)模型訓(xùn)練單元根據(jù)電商網(wǎng)絡(luò)領(lǐng)域知識(shí)圖譜數(shù)據(jù)預(yù)處理單元產(chǎn)生的電商網(wǎng)絡(luò)領(lǐng)域知識(shí)圖譜執(zhí)行步驟S20～S40,構(gòu)建電商網(wǎng)絡(luò)異常產(chǎn)品檢測(cè)模型，通過迭代計(jì)算確定模型中參數(shù)的最優(yōu)值；電商網(wǎng)絡(luò)異常產(chǎn)品檢測(cè)結(jié)果輸出單元執(zhí)行步驟S50,將電商網(wǎng)絡(luò)異常產(chǎn)品檢測(cè)結(jié)果輸出至相關(guān)工作人員或科研人員，用于各電商平臺(tái)的異常產(chǎn)品檢測(cè)，網(wǎng)絡(luò)安全檢測(cè)類相關(guān)任務(wù)；所有單元中具體的數(shù)據(jù)處理和計(jì)算工作由所述計(jì)算機(jī)處理器完成，且所有單元都與所述計(jì)算機(jī)內(nèi)存數(shù)據(jù)交互。[0084]與現(xiàn)有技術(shù)相比本發(fā)明具有以下優(yōu)點(diǎn)：[0085]1、本發(fā)明的電商網(wǎng)絡(luò)異常產(chǎn)品檢測(cè)方法，通過結(jié)合領(lǐng)域知識(shí)構(gòu)建孿生網(wǎng)絡(luò)，從另一個(gè)視角下對(duì)產(chǎn)品進(jìn)行描述和刻畫，有助于增強(qiáng)模型魯棒性和有效性，有助于獲得更可靠的異常產(chǎn)品檢測(cè)結(jié)果。[0086]2、本發(fā)明的電商網(wǎng)絡(luò)異常產(chǎn)品檢測(cè)方法，利用圖自編碼器、圖注意力網(wǎng)絡(luò)和領(lǐng)域知識(shí)描述建立電商網(wǎng)絡(luò)異常產(chǎn)品檢測(cè)模型，使模型具有高效的無(wú)監(jiān)督學(xué)習(xí)能力，能夠建立對(duì)網(wǎng)絡(luò)中異常產(chǎn)品的可靠描述，有效提升了模型的檢測(cè)性能。附圖說明[0087]圖1為本發(fā)明所述步驟S30中的電商網(wǎng)絡(luò)異常產(chǎn)品檢測(cè)模型結(jié)構(gòu)圖；[0088]圖2為本發(fā)明所述一種電商網(wǎng)絡(luò)異常產(chǎn)品檢測(cè)系統(tǒng)的系統(tǒng)結(jié)構(gòu)圖；[0089]圖3為本發(fā)明所述一種電商網(wǎng)絡(luò)異常產(chǎn)品檢測(cè)方法的流程圖。具體實(shí)施方式[0090]為了進(jìn)一步闡述本發(fā)明的技術(shù)方案，下面結(jié)合附圖及實(shí)施例對(duì)本發(fā)明進(jìn)行進(jìn)一步說明。[0091]本發(fā)明所述的一種電商網(wǎng)絡(luò)異常產(chǎn)品檢測(cè)方法通過計(jì)算機(jī)程序?qū)嵤旅鎸凑請(qǐng)D3所示流程詳述本發(fā)明提出的技術(shù)方案的具體實(shí)施方式。通過本發(fā)明的技術(shù)方案，對(duì)亞馬遜電商平臺(tái)共同購(gòu)買網(wǎng)絡(luò)Disney數(shù)據(jù)集進(jìn)行異常產(chǎn)品檢測(cè)。該數(shù)據(jù)集由124個(gè)電影產(chǎn)品構(gòu)成，每個(gè)產(chǎn)品具有28個(gè)屬性，這些產(chǎn)品之間由335條共同購(gòu)買關(guān)系連接在一起，網(wǎng)絡(luò)中包含若干異常電影產(chǎn)品。[0092]實(shí)施方式主要包含以下關(guān)鍵內(nèi)容：[0093]S10、面向電商網(wǎng)絡(luò)中的產(chǎn)品采集所有相關(guān)三元組，并進(jìn)行數(shù)據(jù)清洗以構(gòu)成領(lǐng)域知識(shí)圖譜，降低噪聲對(duì)檢測(cè)結(jié)果的影響，包含[0094]S11、對(duì)于電商網(wǎng)絡(luò)中的每個(gè)產(chǎn)品，使用SPARQL語(yǔ)句從DBpe實(shí)體或尾實(shí)體進(jìn)行匹配，為該產(chǎn)品抽取所有相關(guān)三元組；[0095]S12、對(duì)步驟S11獲得的三元組進(jìn)行清洗，剔除頭實(shí)體或尾實(shí)體為圖片鏈接、其他語(yǔ)種表示的同義實(shí)體或者為文本信息的三元組，降低由于三元組的冗余和噪聲對(duì)檢測(cè)結(jié)果可能造成的影響；[0096]S13、使用步驟S12預(yù)處理后三元組構(gòu)成領(lǐng)域知識(shí)圖譜，記作T=(N,R,實(shí)體的集合，包含29517個(gè)實(shí)體，R為關(guān)系的集合，包含331種關(guān)系，R中的關(guān)系連接兩個(gè)實(shí)體構(gòu)成三元組(h,r,t)∈T,h∈N為頭實(shí)體，t∈N為尾實(shí)體，r合，共53429個(gè)三元組，每個(gè)三元組分別描述現(xiàn)實(shí)世界中關(guān)于產(chǎn)品的一條知識(shí)。[0097]S20、對(duì)步驟S10獲取的知識(shí)圖譜應(yīng)用TransR模型，獲得產(chǎn)品領(lǐng)域知識(shí)的嵌入向量，并依據(jù)電商網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)構(gòu)造其孿生網(wǎng)絡(luò)，包括以下具體步驟：[0098]S21、將Disney電商網(wǎng)絡(luò)數(shù)據(jù)集表示為屬性網(wǎng)絡(luò)G=(V,E,X),電商網(wǎng)絡(luò)中的產(chǎn)品表示為屬性網(wǎng)絡(luò)中產(chǎn)品節(jié)點(diǎn)，產(chǎn)品之間的共同購(gòu)買關(guān)系表示為產(chǎn)品節(jié)點(diǎn)之間的邊；其中，V={v;li=1,2,...,n}表示網(wǎng)絡(luò)中n=124個(gè)產(chǎn)品節(jié)點(diǎn)構(gòu)成的集合，v;表示第i個(gè)產(chǎn)品對(duì)應(yīng)的節(jié)示有用戶同時(shí)購(gòu)買了這兩個(gè)節(jié)點(diǎn)代表的產(chǎn)品，屬性網(wǎng)絡(luò)共包含|E|=m=335條邊；X∈R”為[0099]S22、對(duì)于S13獲得的領(lǐng)域知識(shí)圖譜中的每個(gè)三元組(h,r,t),將其頭實(shí)體與尾實(shí)體的嵌入分別記作h和t,令r表示實(shí)體間關(guān)系的嵌入，并對(duì)關(guān)系r設(shè)置一個(gè)映射矩陣M將實(shí)體從實(shí)體空間投影到相應(yīng)的關(guān)系空間，分別獲得頭實(shí)體投影向量h和尾實(shí)體投影向量t,如式(1)和(2)所示：[0102]S23、進(jìn)一步地，在投影實(shí)體之間建立轉(zhuǎn)換，通過式(3)的得分函數(shù)計(jì)算頭、尾實(shí)體投影向量之間的距離，以此來(lái)衡量事實(shí)成立的可能性：[0104]其中，f(h,t)表示頭實(shí)體h和尾實(shí)體t之間的距離得分；[0105]S24、通過迭代步驟S22和S23對(duì)三元組的嵌入不斷更新，并從嵌入結(jié)果中抽取電商網(wǎng)絡(luò)中產(chǎn)品對(duì)應(yīng)實(shí)體的知識(shí)嵌入，構(gòu)建屬性網(wǎng)絡(luò)的領(lǐng)域知識(shí)矩陣，記作K∈R”,其中k∈K表示產(chǎn)品節(jié)點(diǎn)v的知識(shí)特征；[0106]S25、基于屬性網(wǎng)絡(luò)9=(V,E,X)的拓?fù)浣Y(jié)構(gòu)A和領(lǐng)域知識(shí)矩陣K構(gòu)造屬性網(wǎng)絡(luò)的孿生[0107]S30、基于步驟S20中獲得的孿生網(wǎng)絡(luò)，利用圖自編碼器和圖注意力網(wǎng)絡(luò)構(gòu)建電商網(wǎng)絡(luò)異常產(chǎn)品檢測(cè)模型，該模型包含由屬性編碼器和知識(shí)編碼器組成的多視圖編碼器、聚[0108]1)屬性編碼器由兩個(gè)注意力層堆疊而成，在屬性視圖下將屬性網(wǎng)絡(luò)9=(V,E,X)編碼為隱空間中的產(chǎn)品節(jié)點(diǎn)低維嵌入；其中，第一層使用多頭注意力機(jī)制，第二層使用單頭注意力機(jī)制，編碼過程的形式化表示如式(4)所示：節(jié)點(diǎn)嵌入的維度，函數(shù)f?(·,·)和f?(·,·)分別表示第一個(gè)和第二個(gè)圖注意力層；對(duì)于每一個(gè)圖注意力層，在對(duì)屬性網(wǎng)絡(luò)中產(chǎn)品節(jié)點(diǎn)的鄰域信息進(jìn)行聚合的過程中，圖注意力機(jī)制對(duì)鄰域內(nèi)各產(chǎn)品節(jié)點(diǎn)賦予了不同的注意力系數(shù)；產(chǎn)品節(jié)點(diǎn)v?與其鄰居之間的注意力系數(shù)由式(5)計(jì)算：N,為產(chǎn)品節(jié)點(diǎn)v的一階鄰居節(jié)點(diǎn)集合；WmER×是作用到每個(gè)產(chǎn)品節(jié)點(diǎn)上的可學(xué)習(xí)權(quán)重矩[0114]其中，α=0.2值控制負(fù)數(shù)部分線性函數(shù)的梯度大小。[0115]為了使產(chǎn)品節(jié)點(diǎn)之間的注意力系數(shù)易于比較，接下來(lái)通過式(7)對(duì)注意力系數(shù)進(jìn)行歸一化：[0117]其中，α;為產(chǎn)品節(jié)點(diǎn)v;和v;之間注意力系數(shù)歸一化后的結(jié)果；利用歸一化后的注意力系數(shù)與鄰居產(chǎn)品節(jié)點(diǎn)輸入特征的線性組合得到產(chǎn)品節(jié)點(diǎn)v;在單頭注意力圖注意力層的輸出特征：[0120]以上步驟通過單頭注意力機(jī)制聚合鄰域信息對(duì)產(chǎn)品節(jié)點(diǎn)嵌入進(jìn)行了更新；[0121]進(jìn)一步地，為了增強(qiáng)模型泛化能力，在圖注意力層中引入多頭注意力機(jī)制，通過多個(gè)相互獨(dú)立的單頭注意力網(wǎng)絡(luò)分別計(jì)算出一組注意力系數(shù)，再通過式(9)將多個(gè)嵌入結(jié)果進(jìn)行拼接，得到產(chǎn)品節(jié)點(diǎn)v;在多頭注意力圖注意力層的輸出特征：[0123]其中，x;"為具有多頭注意力的圖注意力層輸出的產(chǎn)品節(jié)點(diǎn)v;的嵌入；P=3表示單頭注意力網(wǎng)絡(luò)的數(shù)量，α表示第p個(gè)注意力網(wǎng)絡(luò)計(jì)算得到的注意力系數(shù)，W表示第p個(gè)注意力網(wǎng)絡(luò)的權(quán)重矩陣；[0124]2)知識(shí)編碼器具有和屬性編碼器完全相同的結(jié)構(gòu)，在知識(shí)視圖下將孿生網(wǎng)絡(luò)G'=(V,E,K)編碼為隱空間中產(chǎn)品節(jié)點(diǎn)的低維嵌入，其構(gòu)成如式(10)所示：[0126]其中，Zg∈R"為知識(shí)編碼器輸出的產(chǎn)品節(jié)點(diǎn)在隱空間中的低維嵌入，函數(shù)g1[0127]3)聚合器對(duì)不同視圖下的網(wǎng)絡(luò)嵌入進(jìn)行融合，進(jìn)而獲得網(wǎng)絡(luò)中產(chǎn)品節(jié)點(diǎn)的多視圖統(tǒng)一嵌入；可以采用兩種視圖聚合策略中的任一種，具體如下：[0128](1)拼接聚合器：對(duì)兩個(gè)視圖的產(chǎn)品節(jié)點(diǎn)嵌入進(jìn)行縱向拼接，形成一個(gè)維度更高的一嵌入；[0131](2)加和聚合器：將兩個(gè)視圖的嵌入按照對(duì)應(yīng)位置相加的方式，獲得一個(gè)同維度的[0133]式中，U∈R"為使用加和聚合器獲得的多視圖統(tǒng)一嵌入；[0134]4)解碼器包括結(jié)構(gòu)解碼器和特征解碼器，其中：[0135]結(jié)構(gòu)解碼器通過計(jì)算產(chǎn)品節(jié)點(diǎn)統(tǒng)一嵌入間的內(nèi)積實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)拓?fù)涞闹貥?gòu)，如式[0137]其中，A為結(jié)構(gòu)解碼器輸出的重構(gòu)后的網(wǎng)絡(luò)鄰接矩陣，U為采用任一種聚合器獲得[0139]特征解碼器使用兩層全連接網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)產(chǎn)品節(jié)點(diǎn)特征的重構(gòu)，如式(15)所示：[0141]其中，x為重構(gòu)后的產(chǎn)品節(jié)點(diǎn)的特征信息，W(和b(①)分別表示第1個(gè)全連接層的參數(shù)矩陣和偏置向量，1∈{1,2};該解碼器輸出的產(chǎn)品節(jié)點(diǎn)特征是對(duì)屬性信息和領(lǐng)域知識(shí)兩部分信息在同一特征空間中的重構(gòu)；[0142]5)檢測(cè)器利用產(chǎn)品節(jié)點(diǎn)在結(jié)構(gòu)和特征兩個(gè)維度的重構(gòu)誤差作為評(píng)價(jià)產(chǎn)品異常分?jǐn)?shù)的重要依據(jù)，具體異常評(píng)分函數(shù)如式(16)所示：[0144]式中，score(v;)為產(chǎn)品節(jié)點(diǎn)v的異常分?jǐn)?shù)，用于反映第i個(gè)產(chǎn)品的異常程度，其取值越大表明產(chǎn)品的異常程度越高；a表示產(chǎn)品節(jié)點(diǎn)v;在屬性網(wǎng)絡(luò)中的拓?fù)浣Y(jié)構(gòu)，x和@分別為解碼器重構(gòu)后產(chǎn)品節(jié)點(diǎn)v的特征和拓?fù)浣Y(jié)構(gòu)；λ∈[0,1]為平衡系數(shù)，用于平衡產(chǎn)品節(jié)點(diǎn)v的特征和拓?fù)浣Y(jié)構(gòu)兩部分重構(gòu)誤差在異常分?jǐn)?shù)中的比重。[0145]S40、對(duì)于步驟S30構(gòu)建的電商網(wǎng)絡(luò)異常產(chǎn)品檢測(cè)模型，通過迭代計(jì)算方式對(duì)模型[0146]S41、為S30建立的電商網(wǎng)絡(luò)異常產(chǎn)品檢測(cè)模型建立式(17)所示的聯(lián)合目標(biāo)函數(shù)：[0150]