【文献阅读】SeGA: Preference-Aware Self-Contrastive Learning with Prompts for Anomalous User Detection

Abstract

SeGA，一种基于偏好感知的自对比学习方法，用于检测异常用户。该方法通过异构编码器编码Twitter上各种实体的异构关系。引入了带伪标签的自对比学习，通过用户对应帖子中的偏好来区分用户之间的细微差异。构建了一个异构信息网络（HIN），其中包含用户和列表等节点类型之间的各种边类型，以建模具有不同活动的用户。为了学习用户之间的差异，预训练策略结合了大语言模型（LLMs）的知识，捕捉用户偏好的话题和情感，利用提示进行偏好感知的自对比学习。

主要贡献：
引入了偏好感知的自对比学习，通过相应的帖子学习用户行为。此外，结合了带有用户偏好的提示模板作为伪标签，以捕捉用户偏好的话题和情感。

用户可以创建、关注或成为一个列表的成员。当一个用户关注该列表，列表中的用户发布的消息其均可见。

伪偏好生成

用户i最近的10条帖子被用作提示，让LLM生成每条推文的主题t和情感e。

偏好意识自对比学习

微调