本申请涉及图神经网络，尤其涉及一种多维图异常检测方法、装置、电子设备及存储介质。
背景技术：
1、多维图是指节点间包含多种关系的一种图数据结构。多维图的异常检测不仅仅需要考虑节点自身的特征属性信息，还需要考虑不同关系下的节点间连接信息。图数据异常检测最常见的方法是，通过图神经网络学习到所有节点的节点表示，然后再使用多层感知机等传统方法根据节点表示识别异常节点。
2、基于图神经网络进行异常节点检测任务的优异表现基于两个假设：(1)同质性假设，即相邻的节点具有相似的特征，并且同属于一个分类；(2)平衡假设，即数据集中类别不同的样本数量接近相等。但真实世界抽象而来的图数据自身存在着不一致性和不平衡性的问题，使其违反了上述两个假设，为基于gnn的异常检测任务带来了两个挑战：一方面，由于图数据存在的不平衡性与专家对于数据标记的偏好，容易造成训练集与测试集数据中的异常节点在同质性上具有较大差异，从而引入了结构偏移挑战；另一方面，异常节点为了绕过欺诈检测系统，会通过刻意模仿正常节点表现，与大量正常节点相连的方式伪装自己，模型如果过度在意图数据的这一局部特征，会造成模型的过平滑问题。
3、综上所述，现有的多维图异常检测方法依然存在识别异常节点能力低的问题。
技术实现思路
1、(1)要解决的技术问题
2、本申请提供了一种多维图异常检测方法、装置、电子设备及存储介质，考虑实际数据集中存在的结构偏移问题和模型易出现的过平滑问题，从而更加有效地识别出多维图中的异常节点。
3、(2)技术方案
4、第一方面，本申请提供了一种多维图异常检测方法，包括：
5、通过特征分解图神经网络对多维图数据集的节点特征进行放大、分解和聚合处理，得到每个节点的最终表示；
6、根据每个节点的最终表示，通过多层感知机获取到每个节点的异常分数，以实现对每个节点进行异常检测。
7、进一步地，所述通过特征分解图神经网络对多维图数据集的节点特征进行放大、分解和聚合处理，得到每个节点的最终表示之前，还包括：
8、对真实世界的结构信息提取节点信息得到节点的连接信息和属性信息，得到多维图数据集。
9、进一步地，所述特征分解图神经网络包括特征放大模块、特征分解模块和表示聚合模块，分别对节点特征进行放大、分解和聚合处理。
10、进一步地，所述通过特征分解图神经网络对多维图数据集的节点特征进行放大、分解和聚合处理，得到每个节点的最终表示，包括：
11、通过所述特征放大模块放大正常节点与异常节点的差异，获得节点特征的初级表示；
12、通过所述特征分解模块将节点特征分为本质特征和邻域特征并分别加以约束，实现节点特征的分解；
13、通过所述表示聚合模块使用取差聚合策略得到节点的中间层表示，将节点的所有中间层表示连接起来，得到最终表示。
14、进一步地，所述通过所述特征放大模块放大正常节点与异常节点的差异，包括：
15、通过非线性激活函数对节点特征进行处理，使得正常节点和异常节点之间的差异在特征空间中得到放大。
16、进一步地，所述根据每个节点的最终表示，通过多层感知机获取到每个节点的异常分数，以实现对每个节点进行异常检测，包括：
17、根据每个节点的最终表示，通过多层感知机获取到每个节点的异常分数；
18、若当前节点的异常分数大于预设阈值，则确定所述当前节点为异常节点。
19、进一步地，所述根据每个节点的最终表示，通过多层感知机获取到每个节点的异常分数，以实现对每个节点进行异常检测之后，还包括：
20、通过预设评价指标判断每个节点进行异常检测的效果。
21、第二方面，本申请提供了一种多维图异常检测装置，包括：
22、数据处理模块，用于通过特征分解图神经网络对多维图数据集的节点特征进行放大、分解和聚合处理，得到每个节点的最终表示；
23、异常检测模块，用于根据每个节点的最终表示，通过多层感知机获取到每个节点的异常分数，以实现对每个节点进行异常检测。
24、第三方面，本申请提供了一种电子设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上所述的多维图异常检测方法。
25、第四方面，本申请提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如上所述的多维图异常检测方法。
26、(3)有益效果
27、本申请的上述技术方案具有如下优点：
28、本申请第一方面提供的多维图异常检测方法，通过特征分解图神经网络对多维图数据集的节点特征进行放大、分解和聚合处理，有效克服了传统图神经网络在处理复杂图数据时的结构偏移问题和过平滑问题，从而显著提高了对多维图数据中异常节点的检测准确性和鲁棒性。
29、可以理解的是，上述第二方面、第三方面和第四方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
1.一种多维图异常检测方法，其特征在于，包括：
2.如权利要求1所述的多维图异常检测方法，其特征在于，所述通过特征分解图神经网络对多维图数据集的节点特征进行放大、分解和聚合处理，得到每个节点的最终表示之前，还包括：
3.如权利要求1所述的多维图异常检测方法，其特征在于，所述特征分解图神经网络包括特征放大模块、特征分解模块和表示聚合模块，分别对节点特征进行放大、分解和聚合处理。
4.如权利要求3所述的多维图异常检测方法，其特征在于，所述通过特征分解图神经网络对多维图数据集的节点特征进行放大、分解和聚合处理，得到每个节点的最终表示，包括：
5.如权利要求4所述的多维图异常检测方法，其特征在于，所述通过所述特征放大模块放大正常节点与异常节点的差异，包括：
6.如权利要求1所述的多维图异常检测方法，其特征在于，所述根据每个节点的最终表示，通过多层感知机获取到每个节点的异常分数，以实现对每个节点进行异常检测，包括：
7.如权利要求1所述的多维图异常检测方法，其特征在于，所述根据每个节点的最终表示，通过多层感知机获取到每个节点的异常分数，以实现对每个节点进行异常检测之后，还包括：
8.一种多维图异常检测装置，其特征在于，包括：
9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的多维图异常检测方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的多维图异常检测方法。
