面向异常引用检测的深度图学习
机器学习
2022-02-24 v1 数字图书馆
社会与信息网络
摘要
异常检测是医疗、金融科技和公共安全等多个关键领域中最活跃的研究方向之一。然而,针对学术数据即引文网络中的异常检测却鲜有关注。引用被视为评估科研影响力的最关键指标之一,其可能以多种方式被操纵。因此,引文网络中的异常检测对于识别引用的操纵与虚增具有重要意义。为解决这一开放问题,我们提出一种新颖的深度图学习模型,即 GLAD(Graph Learning for Anomaly Detection,用于异常检测的图学习),以识别引文网络中的异常。GLAD 通过图神经网络同时加入节点属性与连边属性,将文本语义挖掘融入网络表示学习,不仅利用了引用内容的相关性,还挖掘了论文间的隐藏关系。在 GLAD 框架内,我们提出一种称为 CPU(Citation PUrpose,引用目的)的算法,基于引用文本发现引用目的。GLAD 的性能通过一个模拟的异常引文数据集得到验证。实验结果表明 GLAD 在异常引用检测任务上的有效性。
引用
@article{arxiv.2202.11360,
title = {Deep Graph Learning for Anomalous Citation Detection},
author = {Jiaying Liu and Feng Xia and Xu Feng and Jing Ren and Huan Liu},
journal= {arXiv preprint arXiv:2202.11360},
year = {2022}
}