检测社交网络用户异常交互行为是社交网络数据挖掘的重要研究内容,其主要挑战是如何从数据挖掘中采用合适的异常检测算法来分析和检测社交网络用户异常交互行为。近年来传统的异常检测算法在简单社交网络用户异常交户行为检测方面取得了突出成就,但是在分析大规模复杂社交网络时,仍不能有效地完成检测目标。本学位论文将检测社交网络中用户异常交互行为当做研究目标,首先设计并实现了一种基于社区相似性的社交网络多用户异常交互行为检测算法来检测存在多用户异常交互行为的社区,再设计并实现一种基于图嵌入的社交网络单用户异常交互行为检测算法来完成社交网络单用户异常交互行为检测,最后设计并实现一种规模社交网络单用户异常交互行为检测优化算法来解决大规模社交网络给算法带来的设备性能限制,具体的研究工作内容如下:(1)首先用官方提供的社交网络数据集根据用户交互关系建立社交网络图;接着根据社交网络图的用户连接关系采用Louvain社区发现算法将社交网络图划分成多个子社区;然后再计算每个社区图中用户节点和边的质量得分,利用局部散列将每个社区图中用户节点和边的质量得分筛选为每组可进性比较的等长的二进制特征数,最后根据得出相似度得分来比较阈值获取存在多用户异常交互行为的社区图。通过实验验证该算法在检测存在多用户异常交互行为的社区的可行性和有效性。(2)首先把社区中用户节点嵌入到矩阵空间,图中用户节点之间的权值代表用户之间的交互强度,接着通过梯度下降法完成用户节点的最终嵌入模型,并根据用户节点模型来定义用户异常交互行为模型。通过公布的社交网络数据集,将其他异常检测算法和该算法检测的准确率和效率进行对比分析与验证。(3)首先嵌入用户节点模型进行降维优化,通过不确定线搜索来优化梯度下降构建的最终用户节点嵌入模型,根据用户节点模型代入优化后的单用户异常交互行为模型推断出异常用户节点,在数据集上扩大测试比例形成大规模社交网络图数据进行对比分析与验证,通过实验验证模型能够比较有效地优化算法效率。