基于 GCN 的用户表示学习以统一鲁棒推荐与欺诈者检测
社会与信息网络
2020-05-21 v1 信息检索
摘要
近年来，推荐系统已成为所有电子商务平台中不可或缺的功能。推荐系统的评论评分数据通常来自开放平台，这可能吸引一群恶意用户故意插入虚假反馈，试图使推荐系统偏向其利益。此类攻击的存在可能违背高质量数据总是可用且这些数据真实反映用户兴趣与偏好的建模假设。因此，构建即便在注水(shilling)攻击存在时也能生成稳定推荐的鲁棒推荐系统具有重要的实际意义。本文中，我们提出 GraphRfi——一个基于 GCN 的用户表示学习框架，以统一的方式执行鲁棒推荐与欺诈者检测。在其端到端学习过程中，用户在欺诈者检测组件中被识别为欺诈者的概率自动决定该用户评分数据在推荐组件中的贡献；而推荐组件中输出的预测误差则作为欺诈者检测组件中的重要特征。因此，这两个组件可相互增强。我们进行了大量实验，实验结果表明我们的 GraphRfi 在鲁棒评分预测与欺诈者检测两项任务上的优越性。此外，所提出的 GraphRfi 被验证比最先进的推荐系统对各类注水攻击更具鲁棒性。
引用
@article{arxiv.2005.10150,
title = {GCN-Based User Representation Learning for Unifying Robust Recommendation and Fraudster Detection},
author = {Shijie Zhang and Hongzhi Yin and Tong Chen and Quoc Viet Nguyen Hung and Zi Huang and Lizhen Cui},
journal= {arXiv preprint arXiv:2005.10150},
year = {2020}
}