HitFraud：一种用于异构信息网络中集体欺诈检测的宽度学习方法
机器学习
2017-09-21 v2 密码学与安全
摘要
在电子游戏平台上，不同的支付交易具有不同的风险等级。一般而言，电子商务中数字商品的风险较高。然而，风险因产品及其受欢迎程度、报价类型（打包游戏、游戏虚拟货币或订阅服务）、商店和地理位置而异。现有的欺诈策略和模型基于交易属性、支付速度、用户特征和其他相关信息独立地对每笔交易做出决策。然而，可疑交易仍可能逃避检测，因此我们提出一种宽度学习方法，利用基于图的视角揭示可疑交易之间的关系，即交易间依赖性。我们的重点是通过捕捉常见的欺诈行为来检测可疑交易，这些欺诈行为在孤立考虑时不会被视为可疑。本文中，我们提出HitFraud，利用异构信息网络通过探索相关且快速演变的欺诈行为进行集体欺诈检测。首先，设计异构信息网络，通过不同语义将交易数据库中的关注实体连接起来。然后，利用元路径概念从网络中高效发现基于图的特征，并对测试实例集体做出欺诈决策。在来自Electronic Arts的真实支付交易数据上的实验表明，HitFraud有效提升了预测性能并快速收敛，其中基于元路径的特征计算得到了大幅优化。值得注意的是，与基线相比，召回率可提升高达7.93%，F值提升4.62%。
引用
@article{arxiv.1709.04129,
title = {HitFraud: A Broad Learning Approach for Collective Fraud Detection in Heterogeneous Information Networks},
author = {Bokai Cao and Mia Mao and Siim Viidu and Philip S. Yu},
journal= {arXiv preprint arXiv:1709.04129},
year = {2017}
}
备注
ICDM 2017