SliceNDice：基于多视图图挖掘可疑多属性实体组

鉴于网络平台的广泛影响力，恶意行为者有充分的动机操纵和欺诈用户，从而损害平台完整性。这推动了大量可疑行为检测任务的研究，包括女巫账号、虚假信息和支付诈骗/欺诈的检测。在本文中，我们提出一种见解：许多此类工作可以通过一个通用框架来解决，即提出一个检测任务，旨在寻找在多个属性上彼此共享过多属性的实体组（例如在同一时间和地点创建的女巫账号、以相同修辞和相似转发传播文章的宣传散布者等）。我们的工作做出了四项核心贡献：首先，我们将该任务新颖地表述为多视图图挖掘问题，其中不同的视图反映实体间不同的属性相似性，并兼顾上下文相似性与属性重要性。其次，我们提出了一种新颖的可疑性度量，用于根据实体组在多个视图上同步性的异常程度进行评分，该度量满足现有度量所不具备的直观期望。最后，我们提出了 SliceNDice 算法，能够高效提取高度可疑的实体组，并展示了其在生产环境中的实用性，在 Snapchat 大型广告主生态系统中表现出强劲的检测性能与发现（89% 精确率并发现众多真实欺诈团伙），显著优于基线方法（在模拟环境下超过 97% 的精确率/召回率）并具有线性可扩展性。