LLM 赋能的类别不平衡图提示学习用于线上毒品走私检测
机器学习
2025-03-05 v1 人工智能
摘要
随着非法毒品市场的盈利潜力巨大，众多在线平台已成为非法毒品走私者的直接面向消费者的中介。这些在线活动引发了重大的社会关注，需要立即采取行动。现有方法通常难以实际应用，由于现实场景中类别不平衡和标记样本稀缺。为此，我们提出了一种新型大语言模型 (LLM) 赋能的异构图提示学习框架，用于非法毒品走私检测，称为 LLM-HetGDT，该框架利用 LLM 促进异构图神经网络 (HGNN) 在类别不平衡场景下有效识别毒品走私活动。具体而言，我们首先在对比预文本任务上对 HGNN 进行预训练，以捕获 unlabeled 毒品走私异构图 (HG) 上节点和结构信息。随后，我们利用 LLM 生成少数类中的高质量合成用户节点。最后，我们在增强后的 HG 上对软提示进行精调，以捕获少数类中重要信息，用于下游毒品走务检测任务。为全面研究线上非法毒品走私活动，我们收集了一个基于 Twitter 的 HG 数据集，称为 Twitter-HetDrug。大量实验在该数据集上表明 LLM-HetGDT 在有效性、效率和适用性方面均表现出色。
引用
@article{arxiv.2503.01900,
title = {LLM-Empowered Class Imbalanced Graph Prompt Learning for Online Drug Trafficking Detection},
author = {Tianyi Ma and Yiyue Qian and Zehong Wang and Zheyuan Zhang and Chuxu Zhang and Yanfang Ye},
journal= {arXiv preprint arXiv:2503.01900},
year = {2025}
}