集成层级图注意力网络检测非均衡虚假评论

摘要：

作为机器学习当前一大热点,图神经网络(GNN)模型近年来已逐渐开始结合用户评论应用于欺诈检测领域.但现实中汇总的用户评论涉及多个不同领域,可用信息复杂多样,海量的用户生成内容中欺诈信息通常也只占少数,基于GNN的相关检测方法对虚假评论的识别效果不甚理想.针对这种特征异构和数据分布不均衡的问题,将评论系统进行异构网络建模,提出一种新的集成层次图注意力网络(En-HGAN)识别方法.通过融合层次注意力结构,更加充分地利用异构网络中丰富的用户行为信息,为评论学习更加丰富的语义表征,并在集成学习Bagging框架下集成多个差异化的HGAN子模型,使用随机欠采样策略实现基学习器多样性聚合,从而减少有效信息丢失,增强对欺诈评论的检测能力.在YelpChi与Amazon真实数据集上的实验结果表明,En-HGAN方法具有良好的异常探测性能,和当前一些最新的方法相比,在数据类别倾斜分布的应用中显示En-HGAN方法对欺诈实体具有不错的鲁棒性.

关键词：虚假评论检测、层次图注意力网络、网络表征学习、集成学习、非均衡数据分类

所属期刊栏目：17

分类号：TP316(计算技术、计算机技术)

资助基金：国家自然科学基金;国家自然科学基金;教育部卓越工程师教育培养计划项目产学合作协同育人项目;山西省回国留学人员科研资助项目

在线出版日期：2023-02-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共14页

页码：428-441