DFraud3——无冷启动的多组件欺诈检测
机器学习
2020-06-12 v2 社会与信息网络
摘要
欺诈评论检测是近年来的研究热点。冷启动是一个尤其新颖但重要的问题，指检测系统无法识别新用户真实性的失败情况。最先进的解决方案采用平移知识图谱嵌入方法（TransE）来建模评论系统各组件之间的交互。然而，这些方法受限于TransE处理N-1关系的不足以及单一分类任务（即仅检测欺诈者）的狭隘范围。在本文中，我们将评论系统建模为异质信息网（HIN），其为每个组件提供唯一表示，并通过聚合邻近节点特征在评论数据上执行图归纳学习。具有图归纳的HIN有助于解决伪装问题（具有真实评论的欺诈者），该问题在耦合冷启动（即具有真实首次评论的新欺诈者）时显得更为严重。在本研究中，我们不是仅关注单一组件（检测欺诈评论或欺诈用户），而是为每个组件学习向量表示，从而实现多组件分类。换言之，我们能够检测欺诈评论、欺诈者和被欺诈目标项，因此我们的方法命名为DFraud3。DFraud3在Yelp数据集上比最先进水平准确率显著提升13%。
引用
@article{arxiv.2006.05718,
title = {DFraud3- Multi-Component Fraud Detection freeof Cold-start},
author = {Saeedreza Shehnepoor and Roberto Togneri and Wei Liu and Mohammed Bennamoun},
journal= {arXiv preprint arXiv:2006.05718},
year = {2020}
}