论文阅读笔记 : FdGars---Fraudester detection via Graph Convolutional Networks in Oline App Review System

• 首先，从每位 reviewer 的评论日志里，提取 review 的content features 和 behavior features。content features 主要关注评论的内容特征，比如, symbol ratio、相似评论的数量，等。behavior features 是考量在指定的一段时期，对评论者发布的评论数量，评论的星级、24小时内评论的分布情况，等。
• 建立一个Graph，reviewer 为节点，如果两个reviewer 评论了同一个APP，就在它们中间建立一条连边。这样，就把　review　log构建成Graph了。

1、review classification

首先，提取 review 的内容特征(Content features)，对review进行分类。

1. SRN：在指定的时期内，相似评论的数量；
2. RSN : 每条评论里，特殊字符的数量，比如，表情符号、火星符号；一般来说，垃圾评论包含超过50%的符号；
3. RL：每条评论的长度
4. PRR：$RSN/RL$
5. REB: 垃圾评论里通常包含一些有明显意图的内容，例如，手机号码、含糊其词的词汇（例如，VX，）

2、reviewer analysis

从评论者身上提取了两个主要的特征，对 reviewer 进行分类：

1. CD（continuous days）：在指定的一段时期内，连续评论的天数；
2. DN（ number of login device）：在这期间，登录的设备数；

经过很多轮的数据分析，文章得出的结论是，将阈值设为CD=7，DN=20，能够检测出高风险的 reviewer；

表2列出了，从每位 Reviewer 身上提取的特征：

1. RQ：在指定的时期内，each reviewer 的总的评论数目；
2. TQD：在24小时内，each reviewer 的评论分布；
3. SQD：each reviewer的所有评论的星级分布；