本發(fā)明屬于人工智能、自然語言處理和情感計算領域，特別涉及一種基于屬性增強ppr和自環(huán)權重調整的圖神經網絡對抗防御方法。
背景技術：
1、gnn因其強大的學習能力，已經在各大領域廣泛應用如推薦系統(tǒng)、社區(qū)搜索和數(shù)據分析等。然而gnn在訓練過程中很容易因對抗攻擊的影響。攻擊者在一定擾動范圍內，修改訓練數(shù)據集中圖的邊及節(jié)點，干擾gnn的訓練，導致模型性能下降并在推理過程中預測錯誤。因此，現(xiàn)有的許多研究提出了gnn對抗防御方法。例如，gnnguard主要利用圖拓撲信息調整節(jié)點權重，以增強gnn的魯棒性。rgcn基于節(jié)點的高斯分布表示節(jié)點的特征向量并采用基于節(jié)點特征方差的注意力機制來控制節(jié)點的權重，防御對抗攻擊。
2、盡管現(xiàn)有方法在對抗防御領域取得了一定的成效，但它們仍然面臨兩個主要局限性。一是邊的權重分配不夠合理。根據gnn的消息傳遞機制，邊權重直接影響節(jié)點以及圖的向量表示，決定著gnn模型的準確性。且部分防御方法會根據邊權重剪枝異常邊?，F(xiàn)有方法僅考慮要么圖結構要么節(jié)點屬性，沒有綜合考慮這兩種信息，導致節(jié)點相似性度量以及表征學習的準確性不足。二是擾動節(jié)點的影響力不夠低。gnn主要通過聚合自身以及鄰居節(jié)點的特征學習節(jié)點表示。然而鄰居節(jié)點的數(shù)量和整體特征總是多于目標節(jié)點，導致鄰居節(jié)點特征在目標節(jié)點的表示中占比重。圖對抗攻擊總是通過修改鄰居節(jié)點進行攻擊，過度依賴鄰居將導致gnn更易受對抗擾動的影響。因此，削弱受損節(jié)點在表示學習中的影響力至關重要。
技術實現(xiàn)思路
1、為了緩解現(xiàn)有方法僅關注圖拓撲結構或節(jié)點屬性，未綜合考慮基于兩者信息衡量鄰居節(jié)點重要性以降低不重要節(jié)點或受損節(jié)點對gnn表示學習影響的問題，本發(fā)明提出一種基于屬性增強ppr和自環(huán)權重調整的圖神經網絡對抗防御方法，應用于圖數(shù)據中的鏈路預測任務，利用經過防御優(yōu)化的圖神經網絡模型，對圖數(shù)據中的潛在鏈路進行預測，判斷兩個節(jié)點直接是否存在鏈路，提升對抗攻擊下的預測準確性，節(jié)點可以是用戶節(jié)點，例如預測兩個用戶之間存在鏈路，則在社交網絡中向用戶節(jié)點推薦其他用戶，節(jié)點也可以是其他實體節(jié)點，例如用戶、商品等，若用戶節(jié)點和商品節(jié)點之間存在鏈路，則在購物網站用可以向用戶節(jié)點推薦可能存在鏈路的商品節(jié)點，本發(fā)明可以在節(jié)點被修改的前提下，保證鏈路預測的準確性，本發(fā)明具體包括以下步驟：
2、節(jié)點以一定概率停在當前節(jié)點或游走至鄰居節(jié)點，游走時以一定概率執(zhí)行拓撲遷移或屬性遷移，通過考慮多跳高階信息的拓撲及屬性特征計算節(jié)點間相似性；
3、利用相似性分數(shù)裁掉相似性不足的節(jié)點重構，并基于節(jié)點間的相似性分數(shù)賦予對應連邊權重值，重構鄰接矩陣；
4、在消息聚合過程中，基于目標節(jié)點的出度動態(tài)調整節(jié)點自身與其鄰居節(jié)點在最終消息的比重，使節(jié)點在鄰居較多時鄰居節(jié)點比重較大，在鄰居少時自身比重較大；
5、通過重構的鄰接矩陣進行消息傳播，基于模型輸出計算損失，并反向傳播優(yōu)化模型；通過迭代地消息聚合與傳播，訓練出具有對抗防御能力的魯棒圖神經網絡。
6、進一步地，在圖數(shù)據中執(zhí)行隨機游走時，從給定的起始節(jié)點vi開始，隨機游走通過以α概率停止在當前節(jié)點；以概率1-α概率選擇下一個節(jié)點，并以概率β通過屬性概率選擇游走的下一節(jié)點，以概率1-β通過拓撲概率選擇游走的下一節(jié)點。
7、進一步地，屬性概率pa[vj,vl]基于節(jié)點vj和vl共享的屬性計算，表示為：
8、
9、其中，pa[vl,vj]表示節(jié)點vj以屬性概率游走到節(jié)點vl的概率；x[vl]表示節(jié)點vl的特征向量；v表示圖中所有的節(jié)點集合。
10、進一步地，拓撲遷移概率基于節(jié)點的度數(shù)計算，即設置為節(jié)點出度的倒數(shù)。
11、進一步地，重構鄰接矩陣中的邊權重表示為：
12、
13、其中，s(l)[vi,vj]表示節(jié)點vi與節(jié)點vj在圖神經網絡第l層的相似性值，t為設定邊權重閾值；al[vi,vj]為在圖神經網絡第l層重構鄰接矩陣中節(jié)點vi與節(jié)點vj的邊權重；π[vi,vj]表示節(jié)點vj相對于節(jié)點vi的屬性增強ppr；x(l)[vi]表示節(jié)點vi在第l層的特征向量；x(l)[vj]t表示節(jié)點vi在第l層的特征向量x(l)[vj]的轉置；‖·‖2表示l2范式。
14、進一步地，在一個圖數(shù)據中，節(jié)點vj相對于節(jié)點vi的屬性增強pprπ[vi,vj]表示為：
15、
16、其中，為游走者從節(jié)點vi出發(fā)經過k次跳躍后到達節(jié)點vj的概率，表示為pt[vi,vj]＝(1-β)pt[vi,vj]+βpa[vi,vj]，β為游走類型概率，即游走者以β的概率根據節(jié)點vi與節(jié)點vj之間的屬性概率pa[vi,vj]進行游走、以(1-β)的概率根據節(jié)點vi與節(jié)點vj之間的拓撲遷移概率pt[vj,vl]進行游走；α為停止概率。
17、進一步地，在消息聚合過程中，基于目標節(jié)點的出度動態(tài)調整節(jié)點自身與其鄰居節(jié)點在最終消息的比重，即：
18、
19、其中，為自環(huán)權重加權后圖神經網絡第l層重構鄰接矩陣中節(jié)點vi和vj的邊權重；γi為節(jié)點vi的自環(huán)權重，在當前節(jié)點的鄰居節(jié)點越多該值越小、鄰居節(jié)點越少該值越大；i表示單位矩陣。
20、進一步地，自環(huán)權重與節(jié)點的出度成反比。
21、與現(xiàn)有技術相比，本發(fā)明具有以下有益效果：
22、1、提出了基于屬性增強ppr和自環(huán)權重調整的圖神經網絡對抗防御模型，該問題同時考慮了節(jié)點屬性和拓撲信息計算邊的權重以及最終的節(jié)點表示，提高了圖神經網絡的魯棒性；
23、2、本發(fā)明提出了一個同時考慮節(jié)點屬性和拓撲結構的屬性增強個性化pagerank來衡量節(jié)點間相似性作為節(jié)點的權重，該方法的一個顯著特點是充分考慮了節(jié)點的多維信息，從而使節(jié)點對間的聯(lián)系(邊)重要性(權重)。
1.一種基于屬性增強ppr和自環(huán)權重調整的圖神經網絡對抗防御方法，應用于圖數(shù)據中的鏈路預測任務，利用經過防御優(yōu)化的圖神經網絡模型，對圖數(shù)據中的潛在鏈路進行預測，判斷兩個節(jié)點直接是否存在鏈路，提升對抗攻擊下的預測準確性，其特征在于，具體包括以下步驟：
2.根據權利要求1所述的一種基于屬性增強ppr和自環(huán)權重調整的圖神經網絡對抗防御方法，其特征在于，在圖數(shù)據中執(zhí)行隨機游走時，從給定的起始節(jié)點vi開始，隨機游走通過以α概率停止在當前節(jié)點；以概率1-α概率選擇下一個節(jié)點，并以概率β通過屬性概率選擇游走的下一節(jié)點，以概率1-β通過拓撲概率選擇游走的下一節(jié)點。
3.根據權利要求2所述的一種基于屬性增強ppr和自環(huán)權重調整的圖神經網絡對抗防御方法，其特征在于，屬性概率pa[vj,vl]基于節(jié)點vj和vl共享的屬性計算，表示為：
4.根據權利要求2所述的一種基于屬性增強ppr和自環(huán)權重調整的圖神經網絡對抗防御方法，其特征在于，拓撲遷移概率基于節(jié)點的度數(shù)計算，即設置為節(jié)點出度的倒數(shù)。
5.根據權利要求1所述的一種基于屬性增強ppr和自環(huán)權重調整的圖神經網絡對抗防御方法，其特征在于，重構鄰接矩陣中的邊權重表示為：
6.根據權利要求5所述的一種基于屬性增強ppr和自環(huán)權重調整的圖神經網絡對抗防御方法，其特征在于，在一個圖數(shù)據中，節(jié)點vj相對于節(jié)點vi的屬性增強pprπ[vi,vj]表示為：
7.根據權利要求1所述的一種基于屬性增強ppr和自環(huán)權重調整的圖神經網絡對抗防御方法，其特征在于，在消息聚合過程中，基于目標節(jié)點的出度動態(tài)調整節(jié)點自身與其鄰居節(jié)點在最終消息的比重，即：
8.根據權利要求7所述的一種基于屬性增強ppr和自環(huán)權重調整的圖神經網絡對抗防御方法，其特征在于，自環(huán)權重與節(jié)點的出度成反比。