基于图神经网络的相关性感知社交网络异常用户检测
社会与信息网络
2021-04-27 v4
摘要
社交网络中的异常用户检测是一项针对安全问题的关键任务。受图神经网络(GNNs)强大能力的启发，许多当前研究采用基于GNN的检测器来揭示异常用户。然而，社交活动规模不断增长、用户爆炸式增长以及多样化的技术伪装使得用户检测成为一项困难任务。本文提出一种创新的相关性感知异常用户检测模型(RAU-GNN)以获得细粒度的检测结果。RAU-GNN首先提取社交网络中所有类型用户（包括良性与异常用户）的多种关系，并据此构建多用户关系图。其次，我们采用相关性感知GNN框架学习用户的隐藏特征，并在判别后区分异常用户。具体地，通过集成图卷积网络(GCN)与图注意力网络(GAT)，我们设计基于GCN的关系融合层以聚合来自不同关系的初始信息，以及基于GAT的嵌入层以获得高级嵌入。最后，我们将学习到的表示输入后续的GNN层，以通过聚合最终用户嵌入来巩固节点嵌入。我们在真实世界数据集上进行了大量实验。实验结果表明，我们的方法在异常用户检测上可实现高准确率。
引用
@article{arxiv.2104.06095,
title = {Relevance-Aware Anomalous Users Detection in Social Network via Graph Neural Network},
author = {Yangyang Li and Yipeng Ji and Shaoning Li and Shulong He and Yinhao Cao and Xiong Li and Jun Shi and Yangchao Yang and Yifeng Liu},
journal= {arXiv preprint arXiv:2104.06095},
year = {2021}
}
备注
Accepted by IJCNN 2021