在推荐系统中利用度量学习检测职业恶意用户
信息检索
2022-05-20 v1 机器学习
摘要
在电子商务中，在线零售商常受职业恶意用户（PMUs）困扰，他们故意对消费过的产品给出负面评论和低评分，以威胁零售商获取非法利益。具体而言，PMU检测面临三个挑战：1）职业恶意用户不进行任何异常或非法交互（他们从不同时留下过多负面评论和低评分），并采取伪装策略掩饰自己。因此，常规离群点检测方法被其伪装策略迷惑。2）PMU检测模型应同时考虑评分与评论，使PMU检测成为多模态问题。3）公开数据中无带标签的职业恶意用户数据集，使PMU检测成为无监督学习问题。为此，我们提出一种无监督多模态学习模型：MMD，其利用度量学习从评分和评论中检测职业恶意用户（Professional Malicious users Detection）。MMD首先使用改进的RNN将信息性评论投影为情感分数，联合考虑评分与评论。随后提出职业恶意用户画像（MUP）以捕捉情感分数与评分间的情感差距。MUP筛选用户并构建候选PMU集。我们应用基于度量学习的聚类学习恰当的度量矩阵用于PMU检测。最终，可利用该度量与已标注用户检测PMUs。具体而言，我们在度量学习中应用注意力机制以提升模型性能。在四个数据集上的充分实验表明，我们提出的方法能解决这一无监督检测问题。此外，以MMD作为预处理阶段，最先进推荐模型的性能得到增强。
引用
@article{arxiv.2205.09673,
title = {Detect Professional Malicious User with Metric Learning in Recommender Systems},
author = {Yuanbo Xu and Yongjian Yang and En Wang and Fuzhen Zhuang and Hui Xiong},
journal= {arXiv preprint arXiv:2205.09673},
year = {2022}
}
备注
Accepted by IEEE Transactions on Knowledge and Data Engineering (TKDE)