基于双曲神经网络区分垃圾信息的方法、装置及电子设备与流程

1.本发明涉及机器学习技术领域，尤其涉及一种基于双曲神经网络区分垃圾信息的方法、装置及电子设备。


背景技术：

2.目前针对区分垃圾信息有很多种类型，例如，运用传统监督算法、基于属性特征和文本内容特征的预测及基于网络特征的预测等方法，但是这些方法有些需要人工选取具有最大区分度的关键特征，会容易被攻击者绕过，检测效果不佳，单独使用时的准确率相对较低等问题。现实生活社交网络信息中大量存在着无标度性质，大部分网络结构还具有无标度、幂律分布等全局特征，这些特征不能直接体现出来。综上所述，现有技术中存在区分垃圾信息的准确率较低的问题。


技术实现要素：

3.本发明提供一种基于双曲神经网络区分垃圾信息的方法、装置及电子设备，其主要目的在于解决区分垃圾信息的准确率较低的问题。
4.为实现上述目的，本发明提供的一种基于双曲神经网络区分垃圾信息的方法，包括：
5.获取待识别信息，对所述待识别信息进行过滤，得到目标待识别信息；
6.对所述目标待识别信息进行双曲空间投影，得到双曲投影特征，对所述双曲投影特征进行向量处理，得到嵌入向量；
7.对所述嵌入向量进行概率计算，得到第一概率值；
8.根据所述目标待识别信息生成信息属性特征，并对所述信息属性特征进行概率计算，得到第二概率值；
9.对所述第一概率值及所述第二概率值进行权重计算，得到概率平均值，当所述概率平均值符合预设的筛选条件时，判定所述待识别信息为垃圾信息。
10.可选地，所述对所述目标待识别信息进行双曲空间投影，得到双曲投影特征，包括：
11.将所述目标待识别信息存储至预设的欧式空间，得到信息存储向量；
12.通过预设的指数映射函数将所述信息存储向量映射到双曲空间中，得到双曲投影特征。
13.可选地，所述对所述双曲投影特征进行向量处理，得到嵌入向量，包括：
14.获取所述双曲投影特征之间的映射节点，利用预设的激活函数对所述映射节点进行关系强度计算，得到关系强度值；
15.利用所述指数映射函数对所述关系强度值进行信息聚合，得到所述映射节点对应的聚合向量；
16.将所述聚合向量进行有向性更新，得到所述双曲投影特征嵌入向量。
17.可选地，所述利用预设的激活函数对所述映射节点进行关系强度计算，得到关系强度值，包括：
18.利用下述公式对所述映射节点之间的关系强度进行计算：
19.w
ij
＝softmax(mlp(log(xi))||log(x
ij
))
20.其中，xi表示第i个映射节点，x
ij
表示第i个映射节点对应的第j个邻居节点，w
ij
表示第i个映射节点与第i个映射节点对应的第j个邻居节点之间的关系强度值，||表示拼接操作，mlp表示预设的多层感知机，softmax表示所述激活函数。
21.可选地，所述利用所述指数映射函数对所述关系强度值进行信息聚合，得到所述映射节点对应的聚合向量，包括：
22.利用下述公式对所述关系强度值进行信息聚合：
[0023][0024]
其中，xi表示第i个映射节点，x
ij
表示第i个映射节点对应的第j个邻居节点，w
ij
表示第i个映射节点与第i个映射节点对应的第j个邻居节点之间的关系强度值，agg(xi)表示第i个映射节点对应的聚合向量，表示第i个映射节点的指数映射函数。
[0025]
可选地，所述对所述嵌入向量进行概率计算，得到第一概率值，包括：
[0026]
对所述嵌入向量进行卷积运算，得到中间特征向量；
[0027]
对所述中间特征向量进行池化，得到特征标量；
[0028]
对所述特征标量进行分类计算，得到第一概率值。
[0029]
可选地，所述根据所述目标待识别信息生成信息属性特征，包括：
[0030]
对所述目标待识别信息进行分词处理，得到待识别信息分词；
[0031]
统计所述待识别信息分词的分词频率，并根据所述分词频率计算所述待识别信息分词的关键值；
[0032]
将所述关键值大于预设的关键阈值所对应的待识别信息分词作为信息属性特征。
[0033]
可选地，所述对所述第一概率值及所述第二概率值进行权重计算，得到概率平均值，包括：
[0034]
根据预设的概率权重库对所述第一概率值及所述第二概率值分别进行权重赋值，得到第一权重值及第二权重值；
[0035]
根据所述第一权重值及第二权重值进行平均值计算，得到概率平均值。
[0036]
为了解决上述问题，本发明还提供一种基于双曲神经网络区分垃圾信息的装置，所述装置包括：
[0037]
待识别信息过滤模块，获取待识别信息，对所述待识别信息进行过滤，得到目标待识别信息；
[0038]
嵌入向量生成模块，对所述目标待识别信息进行双曲空间投影，得到双曲投影特征，对所述双曲投影特征进行向量处理，得到嵌入向量；
[0039]
第一概率值计算模块，对所述嵌入向量进行概率计算，得到第一概率值；
[0040]
第二概率值计算模块，根据所述目标待识别信息生成信息属性特征，并对所述信息属性特征进行概率计算，得到第二概率值；
[0041]
垃圾信息判定模块，对所述第一概率值及所述第二概率值进行权重计算，得到概
率平均值，当所述概率平均值符合预设的筛选条件时，判定所述待识别信息为垃圾信息。
[0042]
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
[0043]
至少一个处理器；以及，
[0044]
与所述至少一个处理器通信连接的存储器；其中，
[0045]
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的基于双曲神经网络区分垃圾信息的方法。
[0046]
本发明实施例通过对待识别信息进行过滤，过滤掉孤立映射节点，利用目标待识别信息进行数据处理，能够加快对信息处理速率；通过对目标待识别信息进行双曲空间投影，以得到的双曲投影特征表示待识别信息特征，展现了待识别信息的层次结构；通过生成的第一概率值及第二概率值进行权重计算，并根据权重计算得到的概率平均值筛选符合条件的垃圾信息，实现了对垃圾信息的区分，提高了区分垃圾信息时的准确率。因此本发明提出的基于双曲神经网络区分垃圾信息的方法，可以解决区分垃圾信息的准确率较低的问题。
附图说明
[0047]
图1为本发明一实施例提供的基于双曲神经网络区分垃圾信息的方法的流程示意图；
[0048]
图2为本发明一实施例提供的对所述双曲投影特征进行向量处理，得到嵌入向量的流程示意图；
[0049]
图3为本发明一实施例提供的对所述嵌入向量进行概率计算，得到第一概率值的流程示意图；
[0050]
图4为本发明一实施例提供的基于双曲神经网络区分垃圾信息的装置的功能模块图；
[0051]
图5为本发明一实施例提供的实现所述基于双曲神经网络区分垃圾信息的方法的电子设备的结构示意图。
[0052]
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0053]
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0054]
本技术实施例提供一种基于双曲神经网络区分垃圾信息的方法。所述基于双曲神经网络区分垃圾信息的方法的执行主体包括但不限于服务端、终端等能够被配置为执行本技术实施例提供的该方法的电子设备中的至少一种。换言之，所述基于双曲神经网络区分垃圾信息的方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(contentdelivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
[0055]
参照图1所示，为本发明一实施例提供的基于双曲神经网络区分垃圾信息的方法的流程示意图。在本实施例中，所述基于双曲神经网络区分垃圾信息的方法包括：
[0056]
s1、获取待识别信息，对所述待识别信息进行过滤，得到目标待识别信息；
[0057]
本发明实施例中，所述待识别信息可以为平时接收的手机短信、邮箱邮件、浏览推送等信息。
[0058]
本发明实施例中，所述对所述待识别信息进行过滤，得到目标待识别信息，包括：
[0059]
获取所述待识别信息的发送方，将所述发送方与预设的通讯录进行匹配，得到匹配不成功的发送方；
[0060]
从所述待识别信息中将所述匹配不成功的发送方所对应信息提取出来，作为目标待识别信息。
[0061]
本发明实施例中，所述预设的通讯录可以为手机中预存的通讯录、电子邮箱中预存的联系人等。
[0062]
本发明实施例中，所述过滤指的是将不需要进行判断是否为垃圾信息的信息过滤掉，例如，认识的人发送的信息、工作信息等，将这些信息过滤之后剩下的就是需要进行判断的目标待识别信息，利用目标待识别信息进行数据处理，能够加快处理速率。
[0063]
s2、对所述目标待识别信息进行双曲空间投影，得到双曲投影特征，对所述双曲投影特征进行向量处理，得到嵌入向量；
[0064]
本发明实施例中，双曲空间指的是有限维双曲平面的正交值和，而双曲平面指的是域上非奇异的、维数为2的迷向二次空间。
[0065]
本发明实施例中，所述对所述目标待识别信息进行双曲空间投影，得到双曲投影特征，包括：
[0066]
将所述目标待识别信息存储至预设的欧式空间，得到信息存储向量；
[0067]
通过预设的指数映射函数将所述信息存储向量映射到双曲空间中，得到双曲投影特征。
[0068]
本发明实施例中，所述欧式空间又称欧几里得空间，是指一类特殊的向量空间；所述指数映射函数指的是先将所述信息存储向量映射到欧式空间与双曲空间中间的切平面上，通过平移的方式将双曲投影特征平移到双曲空间中，以此来减小失真问题。
[0069]
请参阅图2所示，本发明实施例中，所述对所述双曲投影特征进行向量处理，得到嵌入向量，包括：
[0070]
s21、获取所述双曲投影特征之间的映射节点，利用预设的激活函数对所述映射节点进行关系强度计算，得到关系强度值；
[0071]
s22、利用所述指数映射函数对所述关系强度值进行信息聚合，得到所述映射节点对应的聚合向量；
[0072]
s23、将所述聚合向量进行有向性更新，得到所述双曲投影特征嵌入向量。
[0073]
本发明实施例中，所述激活函数可以为softmax函数；所述softmax函数又称归一化指数函数，可以将多分类的输出值转换为范围在[0,1]并且输出值的和为1的概率分布。
[0074]
本发明实施例中，所述利用预设的激活函数对所述映射节点进行关系强度计算，得到关系强度值，包括：
[0075]
利用下述公式对所述映射节点之间的关系强度进行计算：
[0076]wij
＝softmax(mlp(log(xi))||log(x
ij
))；
[0077]
其中，xi表示第i个映射节点，x
ij
表示第i个映射节点对应的第j个邻居节点，w
ij
表示第i个映射节点与第i个映射节点对应的第j个邻居节点之间的关系强度值，||表示拼接操作，mlp表示预设的多层感知机，softmax表示所述激活函数。
[0078]
本发明实施例中，所述利用所述指数映射函数对所述关系强度值进行信息聚合，得到所述映射节点对应的聚合向量，包括：
[0079]
利用下述公式对所述关系强度值进行信息聚合：
[0080][0081]
其中，xi表示第i个映射节点，x
ij
表示第i个映射节点对应的第j个邻居节点，w
ij
表示第i个映射节点与第i个映射节点对应的第j个邻居节点之间的关系强度值，agg(xi)表示第i个映射节点对应的聚合向量，表示第i个映射节点的指数映射函数。
[0082]
本发明实施例中，将所述聚合向量进行有向性更新的过程为：将任一聚合向量作为目标向量，根据所述目标向量对所述聚合向量中除所述目标向量的聚合向量进行更新，得到第一更新向量；将目标向量的相邻节点作为结果向量，根据所述结果向量对聚合向量进行更新，得到第二更新向量；分别根据第一更新向量与第二更新向量进行堆叠，得到目标聚合向量和结果聚合向量，并将目标聚合向量和结果聚合向量组成嵌入向量。
[0083]
本发明实施例中，双曲空间具有层次关系，而传统的图神经网络无法学习这种层次关系，所以需要将欧式空间中的信息嵌入投影到双曲空间中，使得目标待识别信息的结构更加清晰；利用softmax函数进行关系强度计算，并通过聚合函数进行聚合，加快后续处理速率。
[0084]
s3、对所述嵌入向量进行概率计算，得到第一概率值；
[0085]
请参阅图3所示，本发明实施例中，所述对所述嵌入向量进行概率计算，得到第一概率值，包括：
[0086]
s31、对所述嵌入向量进行卷积运算，得到中间特征向量；
[0087]
s32、对所述中间特征向量进行池化，得到特征标量；
[0088]
s33、对所述特征标量进行分类计算，得到第一概率值。
[0089]
本发明实施例中，可以通过神经网络模型对所述嵌入向量进行卷积运算，所述神经网络模型是一类包含卷积计算且具有深度结构的前馈神经网络，所述神经网络模型包括但不限于bp神经网络模型、hopfield网络模型、art网络模型及kohonen网络模型。
[0090]
本发明实施例中，卷积指的是一种积分运算，它可以用来描述线性时不变系统的输入及输出的关系；池化指的是将得到的特征进行降维，池化包括最大池化、平均池化等；本发明实施例可以利用softmax函数进行分类计算。
[0091]
本发明实施例中，通过神经网络模型对嵌入向量进行卷积、池化及分类计算，能够实现跨通道的交互和信息整合，提高计算效率，使得得到的第一概率值更加准确。
[0092]
s4、根据所述目标待识别信息生成信息属性特征，并对所述信息属性特征进行概率计算，得到第二概率值；
[0093]
本发明实施例中，所述信息属性特征包括发送人、收信时间、邮箱地址、浏览推送次数等。
[0094]
本发明实施例中，所述根据所述目标待识别信息生成信息属性特征，包括：
[0095]
对所述目标待识别信息进行分词处理，得到待识别信息分词；
[0096]
统计所述待识别信息分词的分词频率，并根据所述分词频率计算所述待识别信息分词的关键值；
[0097]
将所述关键值大于预设的关键阈值所对应的待识别信息分词作为信息属性特征。
[0098]
本发明一可选实施例中，对所述目标待识别信息进行分词处理后，还可以将一些没有实际含义的词语过滤掉，例如，连接词、语气词、结构助词等，通过删除所述目标待识别信息中无实际含义的词，可减少对所述待识别信息进行信息属性特征提取时的词干扰，有利于提高提取出的信息属性特征的精确度。
[0099]
本发明实施例中，所述预设的关键阈值指的是某个分词在总的待识别信息分词中的占比，例如，将所述关键阈值设置为三分之一时，当所述关键值大于三分之一时，则该分词可以作为待识别信息的信息属性特征。
[0100]
本发明实施例中，所述对所述信息属性特征进行概率计算，得到第二概率值与上述s3中对所述嵌入向量进行概率计算，得到第一概率值步骤相似，在此不进行过多赘述。
[0101]
s5、对所述第一概率值及所述第二概率值进行权重计算，得到概率平均值，当所述概率平均值符合预设的筛选条件时，判定所述待识别信息为垃圾信息。
[0102]
本发明实施例中，所述对所述第一概率值及所述第二概率值进行权重计算，得到概率平均值，包括：
[0103]
根据预设的概率权重库对所述第一概率值及所述第二概率值分别进行权重赋值，得到第一权重值及第二权重值；
[0104]
根据所述第一权重值及第二权重值进行平均值计算，得到概率平均值。
[0105]
本发明实施例中，所述概率权重库中包含多个概率值及多个概率值对应的权重值。
[0106]
本发明实施例中，所述预设的筛选条件是根据数值大小进行判定，根据所述概率平均值是否符合预设的筛选条件，当概率平均值符合预设的筛选条件时，判定所述待识别信息为垃圾信息，例如，当预设的筛选条件值为0.5时，当概率平均值大于0.5时，则判定所述待识别信息为垃圾信息。
[0107]
本发明实施例中，根据第一概率值及第二概率值进行计算，得到的概率平均值更加准确，通过概率平均值判定待识别信息是否为垃圾信息，得到的结果更加真实。
[0108]
本发明实施例通过对待识别信息进行过滤，过滤掉孤立映射节点，利用目标待识别信息进行数据处理，能够加快对信息处理速率；通过对目标待识别信息进行双曲空间投影，以得到的双曲投影特征表示待识别信息特征，展现了待识别信息的层次结构；通过生成的第一概率值及第二概率值进行权重计算，并根据权重计算得到的概率平均值筛选符合条件的垃圾信息，实现了对垃圾信息的区分，提高了区分垃圾信息时的准确率。因此本发明提出的基于双曲神经网络区分垃圾信息的方法，可以解决区分垃圾信息的准确率较低的问题。
[0109]
如图4所示，是本发明一实施例提供的基于双曲神经网络区分垃圾信息的装置的功能模块图。
[0110]
本发明所述基于双曲神经网络区分垃圾信息的装置100可以安装于电子设备中。
根据实现的功能，所述基于双曲神经网络区分垃圾信息的装置100可以包括待识别信息过滤模块101、嵌入向量生成模块102、第一概率值计算模块103、第二概率值计算模块104及垃圾信息判定模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
[0111]
在本实施例中，关于各模块/单元的功能如下：
[0112]
所述待识别信息过滤模块101，获取待识别信息，对所述待识别信息进行过滤，得到目标待识别信息；
[0113]
所述嵌入向量生成模块102，对所述目标待识别信息进行双曲空间投影，得到双曲投影特征，对所述双曲投影特征进行向量处理，得到嵌入向量；
[0114]
所述第一概率值计算模块103，对所述嵌入向量进行概率计算，得到第一概率值；
[0115]
所述第二概率值计算模块104，根据所述目标待识别信息生成信息属性特征，并对所述信息属性特征进行概率计算，得到第二概率值；
[0116]
所述垃圾信息判定模块105，对所述第一概率值及所述第二概率值进行权重计算，得到概率平均值，当所述概率平均值符合预设的筛选条件时，判定所述待识别信息为垃圾信息。
[0117]
详细地，本发明实施例中所述基于双曲神经网络区分垃圾信息的装置100中所述的各模块在使用时采用与附图中所述的基于双曲神经网络区分垃圾信息的方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
[0118]
如图5所示，是本发明一实施例提供的实现基于双曲神经网络区分垃圾信息的方法的电子设备的结构示意图。
[0119]
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于双曲神经网络区分垃圾信息的程序。
[0120]
其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(central processing unit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(control unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于双曲神经网络区分垃圾信息的程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
[0121]
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(smart media card，smc)、安全数字(secure digital，sd)卡、闪存卡(flash card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于双曲神经网络区分垃圾信息的程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
[0122]
所述通信总线12可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
[0123]
所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如wi-fi接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light-emitting diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
[0124]
图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
[0125]
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、wi-fi模块等，在此不再赘述。
[0126]
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
[0127]
所述电子设备1中的所述存储器11存储的基于双曲神经网络区分垃圾信息的程序是多个指令的组合，在所述处理器10中运行时，可以实现：
[0128]
获取待识别信息，对所述待识别信息进行过滤，得到目标待识别信息；
[0129]
对所述目标待识别信息进行双曲空间投影，得到双曲投影特征，对所述双曲投影特征进行向量处理，得到嵌入向量；
[0130]
对所述嵌入向量进行概率计算，得到第一概率值；
[0131]
根据所述目标待识别信息生成信息属性特征，并对所述信息属性特征进行概率计算，得到第二概率值；
[0132]
对所述第一概率值及所述第二概率值进行权重计算，得到概率平均值，当所述概率平均值符合预设的筛选条件时，判定所述待识别信息为垃圾信息。
[0133]
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
[0134]
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)。
[0135]
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
[0136]
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0137]
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
[0138]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
[0139]
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
[0140]
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
[0141]
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

技术特征：
1.一种基于双曲神经网络区分垃圾信息的方法，其特征在于，所述方法包括：获取待识别信息，对所述待识别信息进行过滤，得到目标待识别信息；对所述目标待识别信息进行双曲空间投影，得到双曲投影特征，对所述双曲投影特征进行向量处理，得到嵌入向量；对所述嵌入向量进行概率计算，得到第一概率值；根据所述目标待识别信息生成信息属性特征，并对所述信息属性特征进行概率计算，得到第二概率值；对所述第一概率值及所述第二概率值进行权重计算，得到概率平均值，当所述概率平均值符合预设的筛选条件时，判定所述待识别信息为垃圾信息。2.如权利要求1所述的基于双曲神经网络区分垃圾信息的方法，其特征在于，所述对所述目标待识别信息进行双曲空间投影，得到双曲投影特征，包括：将所述目标待识别信息存储至预设的欧式空间，得到信息存储向量；通过预设的指数映射函数将所述信息存储向量映射到双曲空间中，得到双曲投影特征。3.如权利要求2所述的基于双曲神经网络区分垃圾信息的方法，其特征在于，所述对所述双曲投影特征进行向量处理，得到嵌入向量，包括：获取所述双曲投影特征之间的映射节点，利用预设的激活函数对所述映射节点进行关系强度计算，得到关系强度值；利用所述指数映射函数对所述关系强度值进行信息聚合，得到所述映射节点对应的聚合向量；将所述聚合向量进行有向性更新，得到所述双曲投影特征嵌入向量。4.如权利要求3所述的基于双曲神经网络区分垃圾信息的方法，其特征在于，所述利用预设的激活函数对所述映射节点进行关系强度计算，得到关系强度值，包括：利用下述公式对所述映射节点之间的关系强度进行计算：w
ij
＝softmax(mlp(log(x
i
))||log(x
ij
))其中，x
i
表示第i个映射节点，x
ij
表示第i个映射节点对应的第j个邻居节点，w
ij
表示第i个映射节点与第i个映射节点对应的第j个邻居节点之间的关系强度值，||表示拼接操作，mlp表示预设的多层感知机，softmax表示所述激活函数。5.如权利要求3所述的基于双曲神经网络区分垃圾信息的方法，其特征在于，所述利用所述指数映射函数对所述关系强度值进行信息聚合，得到所述映射节点对应的聚合向量，包括：利用下述公式对所述关系强度值进行信息聚合：其中，x
i
表示第i个映射节点，x
ij
表示第i个映射节点对应的第j个邻居节点，w
ij
表示第i个映射节点与第i个映射节点对应的第j个邻居节点之间的关系强度值，agg(x
i
)表示第i个映射节点对应的聚合向量，表示第i个映射节点的指数映射函数。6.如权利要求1所述的基于双曲神经网络区分垃圾信息的方法，其特征在于，所述对所述嵌入向量进行概率计算，得到第一概率值，包括：
对所述嵌入向量进行卷积运算，得到中间特征向量；对所述中间特征向量进行池化，得到特征标量；对所述特征标量进行分类计算，得到第一概率值。7.如权利要求1所述的基于双曲神经网络区分垃圾信息的方法，其特征在于，所述根据所述目标待识别信息生成信息属性特征，包括：对所述目标待识别信息进行分词处理，得到待识别信息分词；统计所述待识别信息分词的分词频率，并根据所述分词频率计算所述待识别信息分词的关键值；将所述关键值大于预设的关键阈值所对应的待识别信息分词作为信息属性特征。8.如权利要求1至7中任一项所述的基于双曲神经网络区分垃圾信息的方法，其特征在于，所述对所述第一概率值及所述第二概率值进行权重计算，得到概率平均值，包括：根据预设的概率权重库对所述第一概率值及所述第二概率值分别进行权重赋值，得到第一权重值及第二权重值；根据所述第一权重值及第二权重值进行平均值计算，得到概率平均值。9.一种基于双曲神经网络区分垃圾信息的装置，其特征在于，所述装置包括：待识别信息过滤模块，获取待识别信息，对所述待识别信息进行过滤，得到目标待识别信息；嵌入向量生成模块，对所述目标待识别信息进行双曲空间投影，得到双曲投影特征，对所述双曲投影特征进行向量处理，得到嵌入向量；第一概率值计算模块，对所述嵌入向量进行概率计算，得到第一概率值；第二概率值计算模块，根据所述目标待识别信息生成信息属性特征，并对所述信息属性特征进行概率计算，得到第二概率值；垃圾信息判定模块，对所述第一概率值及所述第二概率值进行权重计算，得到概率平均值，当所述概率平均值符合预设的筛选条件时，判定所述待识别信息为垃圾信息。10.一种电子设备，其特征在于，所述电子设备包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的基于双曲神经网络区分垃圾信息的方法。

技术总结
本发明涉及机器学习技术，揭露了一种基于双曲神经网络区分垃圾信息的方法，包括：获取待识别信息，对待识别信息进行过滤，得到目标待识别信息；对目标待识别信息进行双曲空间投影，得到双曲投影特征，对双曲投影特征进行向量处理，得到嵌入向量；对所述嵌入向量进行概率计算，得到第一概率值；根据目标待识别信息生成信息属性特征，并对信息属性特征进行概率计算，得到第二概率值；对第一概率值及第二概率值进行权重计算，得到概率平均值，当所述概率平均值符合预设的筛选条件时，判定待识别信息为垃圾信息。本发明还提出一种基于双曲神经网络区分垃圾信息的装置以及电子设备。本发明可以提高区分垃圾信息的准确率。可以提高区分垃圾信息的准确率。可以提高区分垃圾信息的准确率。


技术研发人员：舒畅 陈又新
受保护的技术使用者：平安科技（深圳）有限公司
技术研发日：2023.04.06
技术公布日：2023/7/21