张宇萌 吴昊 辛阳 承琪 赵经宇

（北京邮电大学 北京市 100876）

面对规模日益增长的信息资源，人们对于数据的理解，大多处于对数据的浅层感知模式，缺乏考虑数据之间的关联，导致对数据的内涵理解不够深刻。由于各类实体并不是孤立存在的，它们之间普遍存在关联关系。正是这种联系与交流的存在，使得数据之间显式或隐式地形成一个巨大的关联网络。传统的网络异常行为分析采用的是在单个身份域内进行分析的方式，没有考虑到由于系统条件、用户背景或者用户活跃平台等属性的变化而导致的行为变化所带来的误差。而现有的单域用户异常行为分析模型不能很好的对多元化的用户异常行为进行分析，因此易漏报异常行为与异常用户。同时，现有的跨域用户行为关联分析研究更多的集中在用户推荐领域[1]，对跨域关联用户进行异常分析的研究少之又少。

随着多域平台的深层次合作以及用户在各个平台活动的多元化，对跨域网络行为数据的挖掘与分析得到了广大学者的研究。Xusong Chen[2]等人提出了一个注意力领域转移网络，通过产品域的个性化推荐方法来解决storytelling 域的用户偏好预测问题，弥补了storytelling 与产品描述之间存在巨大差异这一缺陷，同时提出了一种双域对比对抗学习方法，共同对storytelling 和产品的特征提取器进行预训练。Xiujuan Wang[3]等人在单个社交网络域中提出了一种名为“Hurst of Interest Distribution”的异常用户检测方法，利用文本主题特征以检测异常账户。……