WWWMay, 2021

多模态和对比学习用于点击欺诈检测

PDF
TL;DR该研究提出了一种基于多模态和对比学习网络的点击欺诈检测方法，结合了用户的广泛特征、行为序列和异构网络来提取点击特征，并通过对比学习进行集成，相较于现有方法，可以提高 AUC 和 F1 分数。
click fraud detectionmultimodalcontrastive learning networkbehavior sequenceheterogeneous network
发现论文，激发创造
  • 通过对比学习缓解人工和计算机意见欺诈

    本文介绍了检测协同过滤推荐系统中虚假文本评论的新方法。我们提出了一种基于对比学习的体系结构，利用用户人口特征以及文本评论作为对抗虚假评论的额外证据，从而使推荐系统更加健壮。该方法能够应对两种不同类型的虚假评论（由语言模型生成的虚假评论和由不诚实用户撰写的评论），并且能够减少偏见评论的影响。

    Jan, 2023

  • 基于多粒度信息融合的社交媒体多模态假新闻检测

    文章介绍了一种用于检测假新闻的多粒度多模态融合网络模型，并将模型性能与现有方法进行了比较。

    Apr, 2023

  • 对抗式多模态表征学习用于点击率预测

    提出了一种新的基于多模态对抗表示网络 (MARN) 的点击率预测模型，它通过计算多模态特征中的模态加权值和使用模态不变特征来学习表征，以解决在电子商务中从多模态特征学习良好的物品表示的问题，并在公共和工业数据集上实现了显着的改进。

    Mar, 2020

  • CLMLF：用于多模态情感检测的对比学习和多层融合方法

    该论文提出了一种用于多模态情感检测的对比学习和多层融合（CLMLF）方法，通过对文本和图像进行隐藏表征编码，设计了两个对比学习任务，标签对比学习和数据对比学习，有助于模型学习多模态数据中与情感相关的共同特征。在公开数据集上进行的大量实验证明了该方法与现有方法相比，在多模态情感检测方面具有很好的效果。

    Apr, 2022

  • AutoFraudNet：一种多模式网络用于检测汽车保险行业中的欺诈

    本研究提出了一种多模态推理框架 AutoFraudNet 用于检测保险欺诈，在现实数据集上进行广泛的实验，证明了 AutoFraudNet 在整合各种数据形式以提高性能方面的有效性。

    Jan, 2023

  • 异构时态 MMMA 图上的众包欺诈检测

    利用多功能消息手机应用程序（MMMA）进行点击农场业务的崛起引诱网络犯罪分子犯下众包欺诈行为，从而给点击农场工人带来经济损失。本文提出了一种名为 CMT 的新型对比多视图学习方法，用于检测 MMMA 的异构时态图（HTG）上的众包欺诈行为。CMT 以自监督方式捕捉 HTG 的异质性和动态性，并生成高质量的表示以进行众包欺诈检测。我们在代表性的 MMMA WeChat 的行业规模 HTG 上部署 CMT 进行众包欺诈检测，结果明显优于其他方法。CMT 在大规模公共金融 HTG 上也表现出有希望的结果，表明它可应用于其他图形异常检测任务。

    Aug, 2023

  • 基于表示学习的点击率预测

    DeepMCP 模型基于匹配、关联和预测三个子网络，可以更准确地预测在线广告系统中的 CTR，并在两个大型数据集上优于现有的人工智能模型。

    Jun, 2019

  • 对比学习用于转化率预测

    本文提出了一种基于对比学习的 CV R 预测框架，使用大量无标签数据学习更好的数据表示，改善预测性能。通过嵌入掩蔽、虚假否定排除和监督正样本包含等方法，削弱了数据稀疏性的限制，实验证明其在真实世界的转化数据集上具有优越表现。

    Jul, 2023

  • 多模式多任务学习中广告理解基准测试

    为了更好地了解广告的主题和情感，本文提出了一种新颖的深度多模态多任务框架，将多种模态整合起来，同时实现广告的主题和情感的预测。通过多模态注意力模块，该模型在最新的大型广告数据集上实现了最先进的性能。

    Dec, 2019

  • 多模态情感分析中的单模编码和跨模态预测的多模态对比学习

    本文提出了一种名为 MultiModal Contrastive Learning (MMCL) 的新型框架，用于捕捉多模态表示中的内部和外部动态。我们采用对比学习技术，包括单模态对比编码和伪孪生网络，来过滤内嵌噪声和捕获跨模态动态。此外，我们设计了两种对比学习任务，实例和基于情感的对比学习，以促进预测过程并学习与情感相关的更多交互信息。在两个公共数据集上进行的广泛实验表明，我们的方法超过了现有的最先进方法。

    Oct, 2022