SparseFraudNet：一种基于图的方法，用于冷启动欺诈检测并实现信息聚合

《ACM Transactions on Information Systems》：SparseFraudNet: A Graph-based Approach for Cold-start Fraud Detection with Information Aggregation

本文针对电子商务中在线评论欺诈检测的冷启动问题，提出SparseFraudNet方法。通过局部信息聚合动态优化邻居选择（基于BMAB强化学习），全局信息聚合采用稀疏谱聚类（SSC）缓解新用户新产品的图稀疏问题，实验表明其在准确率、召回率等指标上优于现有方法。

　　

摘要

在线评论在影响消费者在电子商务中的购买决策方面起着关键作用，因此成为通过虚假评论进行操纵的主要目标。尽管已经提出了多种欺诈检测（FD）技术，但一个关键问题仍未得到解决，即FD中的“冷启动”问题——由于新用户和新产品的历史数据有限，难以识别虚假评论。现有的基于图的检测方法虽然对连接紧密的节点有效，但在处理冷启动情况下的稀疏图（SG）连接时效果不佳。在本文中，我们提出了一种名为SparseFraudNet的新方法来解决冷启动FD问题，该方法利用信息聚合技术。具体而言，局部信息聚合通过强化学习（RL）和伯努利多臂老虎机（BMAB）动态优化邻居选择，旨在捕捉评论之间的五种关键关系类型。全局信息聚合则结合图粗化（GC）和流形学习以及谱聚类（SSC）来减轻新用户在新产品下的邻接矩阵稀疏性问题。在YelpZip-cold和YelpNYC-cold数据集上的实验表明，所提出的SparseFraudNet方法在准确性、精确度、召回率、F1分数和AUC等方面显著优于现有的FD方法，能够有效识别新用户在新产品下的虚假评论。