Jan, 2022

欺诈者团伙检测的时空图表示学习

PDF
TL;DR本文提出了一种使用 HIN-RNN 和 Graph Convolution Network 的方法，以解决在静态网络中排除异常点评论者的问题，并在 Yelp 和 Amazon 数据集上将其与其他最近的方法进行了比较实验，结果证明这种方法具有更高的精度、召回率和 F1 值。
fake reviewsfraudster groupsreviewer behaviorhin-rnngraph convolution network
发现论文，激发创造
  • 基于 GCN 的用户表示学习，用于统一鲁棒推荐和欺诈检测

    本文提出了一种基于 GraphRfi 的 GCN 用户表示学习框架，以实现强健的建议和舞弊者检测，此框架在强健的评级预测和舞弊者检测这两个任务中表现更为优越，并且证实其比现有的推荐系统更具鲁棒性。

    May, 2020

  • 动态关系注意力图神经网络用于欺诈检测

    欺诈检测在发现欺诈者通过欺骗其他用户，例如发布虚假评论或进行异常交易的行为上有着重要作用。我们采用图神经网络和动态关系注意力聚合机制来解决这个问题，并在真实基准数据集上展示了我们的方法 DRAG 优于其他最先进的欺诈检测方法。

    Oct, 2023

  • 基于时空感知图变换器的交易欺诈检测

    本文提出了一种名为 STA-GT 的异构图神经网络，通过引入一种时间编码和转换器模块，来捕获时间依赖性、识别欺诈性交易和促进时空信息建模，具有改进的表现能力。在两个金融数据集上进行的实验证明了该方法在交易欺诈检测任务上的有效性。

    Jul, 2023

  • 一种半监督图注意力网络用于金融欺诈检测

    本文介绍了一种利用多视图网络结构、半监督学习和分层注意力机制的图神经网络，用于在支付宝用户中进行欺诈检测，并实现比现有方法更为准确的预测，并且提供了可解释的结果。

    Feb, 2020

  • 提高空间图神经网络欺诈检测的聚合和加速训练方法

    本文提出三个方法以解决 Residual Layered CARE-GNN 的三个问题：采用余弦距离进行相似度度量，结合邻节点和批次规范化的相似度量模块，以及中间信息补充。在 Yelp 和 Amazon 数据集上，采用这三种方法分别获得了 4.81％，6.62％，6.81％的提高。

    Feb, 2022

  • 在超级应用环境下进行欺诈检测的关系图神经网络

    该论文提出了一种关系图卷积网络方法的框架，用于在超级应用的金融服务中预防欺诈行为；结果表明，当考虑超级应用的替代数据和高连通性中发现的交互时，采用利用这些交互的模型能够将增加价值转化为更好的决策和欺诈检测策略。

    Jul, 2021

  • 面向新闻推荐的图增强表示学习

    该论文提出了一种基于图注意机制和变压器结构的新闻推荐方法，可以通过对历史用户点击行为的图谱表达用户和新闻相关性，进而学习用户和新闻的表征，实现个性化推荐。

    Mar, 2020

  • 基于分层超边嵌入的团体推荐表示学习

    本文提出了一种基于超边嵌入的层次化组推荐算法 HyperGroup，在考虑群组内部成员相似性，通过利用用户间的交互信息来解决用户关系稀疏性问题，同时结合 GNN 实现个人与群组的表示学习，通过构建超图和超边嵌入技术，增强了群组内的相似性，在两个真实数据集上的实验结果证明了该算法的优越性。

    Mar, 2021

  • 基于图卷积网络的垃圾评论检测

    本研究提出了一种基于图卷积神经网络（GCN）的大规模反垃圾邮件方法来检测垃圾广告，名为 GCN-based Anti-Spam（GAS）模型。该模型整合了异构图和同构图以捕获评论的局部和全局上下文，在离线实验和在线性能的表现上均优于基线模型，并解决了闲鱼反垃圾邮件系统面临的数据规模和垃圾邮件挑战。

    Aug, 2019

  • 从用户和产品级别信息中学习评论表示以进行垃圾邮件检测

    提出一种用于自动学习用户和产品层次的评论语义的 HFAN 方法，包括设计多重注意单元以提取用户（产品）相关评论信息、使用正交分解和融合注意力从评论信息中学习用户、评论和产品表示以及将评论作为用户和产品实体之间的关系并将其编码为评论表示。实验结果表明此方法在四个真实数据集上表现优于现有方法。

    Sep, 2019