ScoreGAN:基于受约束GAN多任务学习与数据增强的欺诈评论检测器
机器学习
2021-03-18 v2 密码学与安全
机器学习
摘要
深度神经网络(DNNs)在文本分类中的良好表现吸引了研究者将其用于欺诈评论检测。然而,可信标注数据的缺乏限制了当前方案在检测欺诈评论上的性能。生成对抗网络(GAN)作为一种半监督方法已被证明对数据增强有效。现有最优方案利用GAN克服数据稀缺问题。但它们未能在欺诈生成中融入行为线索。此外,现有最优方法忽视了数据集中可能存在的机器人生成评论。最后,它们还受限于GAN在可扩展性与稳定性上的常见缺陷,拖慢了训练过程。本工作中,我们提出ScoreGAN用于欺诈评论检测,在生成与检测过程中同时利用评论文本与评论评分。评分通过信息增益最大化(IGM)融入损失函数,原因有三:其一,基于给定生成器的评分生成评分相关评论;其二,生成的评论用于训练判别器,使判别器能通过从文本提取的GLoVe与评分拼接所学的联合表示正确标注可能的机器人生成评论;其三,可用于改善GAN的稳定性与可扩展性。结果显示,所提框架在Yelp与TripAdvisor数据集上分别以AP计比现有最优框架FakeGAN高出7%与5%。
引用
@article{arxiv.2006.06561,
title = {ScoreGAN: A Fraud Review Detector based on Multi Task Learning of Regulated GAN with Data Augmentation},
author = {Saeedreza Shehnepoor and Roberto Togneri and Wei Liu and Mohammed Bennamoun},
journal= {arXiv preprint arXiv:2006.06561},
year = {2021}
}