风控反作弊AI顶会论文梳理：破解欺诈行为的秘密

本文链接：https://blog.csdn.net/qq_25243447/article/details/136923114

持续整理和解读风控反作弊方面的顶会论文，可以关注、收藏。
评选标准：

有代码、方便复现的论文优先考虑

对账号、营销薅羊毛、支付风控、广告反作弊等场景问题有直接启发的论文优先考虑

名称	方向	论文数	有代码论文数
WWW	-	16	7
KDD	Data Mining	8	3
CIKM	Data Mining	8	5
AAAI	Artificial Intelligence	5	4
ICDM	Data Mining	3	3
IJCAI	Artificial Intelligence	1
WSDM	-	1
VLDB	-	1
WSDM	-	1

论文解读：
从虚假点赞到恶意评论：FRAUDAR算法如何一路斩妖除魔？
SliceNDice - 2024年3月
FlowScope - 2024年4月

WWW

SliceNDice: Mining Suspicious Multi-attribute Entity Groups with Multi-view Graphs

算法原理：捕捉具备大量共同属性的用户，比如在同一时间和地点创建的帐户、宣传相同言论和转发类似文章的账户。(IEEE DSAA (2019))
输入：实体+属性1…+属性N
算法功能：根据共同属性构造边，合并各属性构造的子图，形成Multi-View Graph.随后挖掘异常关联子图（“dense” subnetwork）.
实验数据集大小：Snapchat advertiser platform（23W实体 × 12属性），发现2435异常实体，precision 89%

Paper
Code

Spam Review Detection with Graph Convolutional Networks

算法原理：这篇论文中，作者构建了两种图结构：异构图Xianyu Graph和同构图Comment Graph。
输入:异构图 Xianyu Graph：
节点由用户（U）、物品（I）和评论（E）组成。
同构图 Comment Graph：节点由评论（E）组成。
边表示相似的评论。通过构建近似KNN图算法，找到每个评论的K个最近邻居，从而形成同构图。
算法功能：
使用异构GCN对Xianyu Graph进行embedding
采用归纳GCN对Comment Graph进行embedding
采用TextCNN对评论文本进行embedding
一起输入到GCN-based Anti-Spam（GAS）模型，进行有监督分类。

Paper
Code

Heterogeneous Graph Neural Networks for Malicious Account Detection

算法功能：考虑设备聚合和活动聚合，构建图结构embedding进行分类。本质是图卷积网络的一种变体
效果：GBDT+Graph 方法与 GBDT+Node2Vec 方法相比效果相似，而 GCN 的效果优于 GBDT+Graph 和 GBDT+Node2Vec。
作者提出的 GEM 方法在多种方面都优于 GCN，因为它处理了异构设备类型，而 GCN 只能处理同质图，无法区分图中不同类型的节点。
GEM 还使用每种节点类型的聚合操作，而不是标准化操作，因此更好地模拟了底层的聚合模式。