面向欺诈团伙检测的时空图表示学习
机器学习
2022-11-17 v1 人工智能
社会与信息网络
摘要
受潜在经济利益的驱使，公司可能雇佣欺诈团伙撰写虚假评论以贬低竞争对手或推广自身业务。此类团伙在误导客户方面更为成功，因为人们更可能受大群体意见的影响。为检测此类团伙，常见模型是对欺诈团伙的静态网络进行表示，从而忽视了评审者的纵向行为以及团伙内评审者间共评关系的动态变化。因此，这些方法无法排除离群评审者——即故意在团伙中伪装自己的欺诈者，以及恰巧在欺诈团伙中参与共评的真实评审者。为解决此问题，本工作首先利用HIN-RNN在评审者表示学习及捕捉评审者间协作上的有效性，使用HIN-RNN在28天固定时间窗口内对团伙中评审者的共评关系建模。我们称之为空间关系学习表示，以表明本工作对其他网络场景的泛化能力。然后我们在空间关系上使用一个RNN来预测团伙中评审者的时空关系。第三步，图卷积网络（GCN）利用这些预测关系精炼评审者的向量表示。这些精炼后的表示随后用于剔除离群评审者。剩余评审者表示的平均值被输入一个简单的全连接层以预测该团伙是否为欺诈团伙。所提方法的详尽实验显示，在Yelp（Amazon）数据集上，相对于三种最新方法在精确率、召回率和F1值上分别取得了5%（4%）、12%（5%）、12%（5%）的提升。
引用
@article{arxiv.2201.02621,
title = {Spatio-Temporal Graph Representation Learning for Fraudster Group Detection},
author = {Saeedreza Shehnepoor and Roberto Togneri and Wei Liu and Mohammed Bennamoun},
journal= {arXiv preprint arXiv:2201.02621},
year = {2022}
}