链接欺诈的多种面目
社会与信息网络
2017-09-12 v3 机器学习
摘要
大多数以往关于社交网络链接欺诈检测的工作试图将真实用户与欺诈者分开，隐含假设只有一种欺诈行为。但这个假设成立吗？无论如何，此类欺诈行为的特征是什么？在这项工作中，我们设置蜜罐（“虚拟”社交网络账户），并购买虚假粉丝（经过仔细的 IRB 批准）。我们报告了此类行为的迹象，包括局部网络连接、账户属性中的异常，以及跨欺诈提供商的相似与差异。最有价值的是，我们发现并刻画了几种类型的欺诈行为。我们讨论了如何通过设计性能强劲的基于熵的特征并展示高分类准确率，在实践中利用我们的洞察。我们的贡献是 (a) 检测手段：我们详述了实验设置以及精心设计的、在遵守 API 速率限制的同时抓取 Twitter 数据的数据收集过程；(b) 关于欺诈多模态的观察：我们分析了蜜罐欺诈者生态系统，并对这些欺诈者类型的多方面行为给出了令人惊讶的洞察；(c) 特征：我们提出了新颖特征，在真实 Twitter 数据上给出强劲（>0.95 精确率/召回率）的判别力。
引用
@article{arxiv.1704.01420,
title = {The Many Faces of Link Fraud},
author = {Neil Shah and Hemank Lamba and Alex Beutel and Christos Faloutsos},
journal= {arXiv preprint arXiv:1704.01420},
year = {2017}
}
备注
"full" version of the ICDM2017 short paper, "The Many Faces of Link Fraud"