通过时空融合与选择性聚合技术在电子商务应用中识别欺诈用户

《ACM Transactions on Privacy and Security》：Identifying Fraudulent Users in E-commerce Applications through Spatiotemporal Fusion and Selective Aggregation

电子商务欺诈检测需融合时空行为特征并解决数据不平衡问题。本文提出时空融合的用户行为分析框架，结合LSTM和MLP分别提取时间相关及独立特征，并引入共享分类器优化图神经网络层间聚合，通过增强少数类样本的邻域关系构建有效识别机制。实验在三个真实数据集上验证，显著优于基线方法。

　　

摘要

电子商务的迅速发展导致了欺诈活动的增加，这给供应商和消费者都带来了巨大的财务损失。目前针对电子商务平台中欺诈行为检测的研究主要集中在分析用户随时间变化的行为模式或研究用户之间的空间关系。然而，仅考虑时间或空间因素是不足以实现欺诈检测的，因为在实际场景中这两种因素可能并不存在。此外，数据分类不平衡的问题在欺诈识别领域也尚未得到解决。为了解决这些挑战，本文提出了一种新的欺诈用户检测方案。该方案的主要创新之处在于将用户行为的时空特征进行融合，并采用分层选择聚合的方法来处理图模型。具体而言，我们利用长短期记忆模型（LSTM）和多层感知器模型分别从时变和时不变的用户行为中提取具有区分性的特征。这种方法提高了模型检测具有不同行为特征（包括时间相关和/或时间独立的欺诈行为）的用户的能力。此外，我们在通用图神经网络中加入了一个共享分类器，该分类器会对图模型的每一层输出进行重新分类，并重建空间邻居关系。这一巧妙的设计使得少数类样本更有可能选择相似的样本来构建其空间邻居关系，从而缓解数据不平衡的问题。在数值实验中，我们使用了三个真实数据集来验证所提出的方案。实验结果包括性能评估、与现有基准方法的比较以及消融分析等内容，这些结果均已展示并进行了讨论。