用于点击欺诈检测的多模态与对比学习
机器学习
2021-05-11 v1 人工智能
密码学与安全
摘要
广告点击欺诈检测在当前电子商务网站中起着至关重要的作用,因为广告是其商业模式的重要组成部分。其目标是在给定一组相应特征(例如用户的人口统计信息和点击的统计特征)的情况下,预测社区中的一次点击是否为欺诈性点击。近期的努力尝试引入属性行为序列和异质网络来提取用户的复杂特征,并在点击欺诈检测上取得了显著效果。本文中,我们提出了一种用于点击欺诈检测的多模态与对比学习网络(MCCF)。具体而言,受电子商务平台上欺诈者与真实用户之间人口统计信息、行为序列和媒体关系差异观察的启发,MCCF 联合利用宽深特征、行为序列和异质网络来提炼点击表示。此外,这三个模块通过对比学习进行整合,并协同贡献于最终预测。利用包含阿里巴巴平台上 254 万次点击的真实世界数据集,我们研究了 MCCF 的有效性。实验结果表明,与最先进的方法相比,所提方法能够将 AUC 提升 7.2%、F1-score 提升 15.6%。
引用
@article{arxiv.2105.03567,
title = {Multimodal and Contrastive Learning for Click Fraud Detection},
author = {Weibin Li and Qiwei Zhong and Qingyang Zhao and Hongchun Zhang and Xiaonan Meng},
journal= {arXiv preprint arXiv:2105.03567},
year = {2021}
}
备注
Accepted to DeMal@WWW 2021