论文阅读笔记：Graphconsis---Alleviating the Inconsistency Problem of Applying Graph Neural Network to Fraud

—《Alleviating the Inconsistency Problem of Applying Graph Neural Network to Fraud Detection》

1、“consistency”？

consistency 的意思是“一致性；一致；”;

那么，inconsistency 的意思就是“不一致性；不一致；”

这篇论文的一致性、不一致性究竟指定什么呢？有以下三个方面：

1. context inconsistency：context的意思是上下文；语境；环境。inconsistency的意思是不一致性。在 Relation I 下（虚线表示），节点 $v_1$ 的context inconsistency指，节点$v_1$的邻居里，有fraudster，也有benign user，所以在聚合邻居信息时，不能直接聚合。
2. Feature inconsistency: 节点$v_1$是 fraudster 节点，它的邻居里，节点5是 fraudster 节点，节点4、6、7都是benign user，benigin user和 fraudster 节点的features 是不一样的，所以在用图神经网络聚集邻居信息时候，不能单纯的聚集邻居信息。
3. Relation inconsistency：relation，也就是边，上图（left）中有两种边，relation I （虚线表示）和 relation II（实线表示）。在 relation I 下，fraudster $v_1$连接了fraudster $v_5$，还连接了benign user $v_4$、$v_6$、$v_7$；在 relation II 下，fraudster $v_1$连接了fraudster $v_2$、$v_3$。relation I 和relation II 是不一样的，所以在处理边的时候，我们需要采用不同手段，这就叫关系不一致性。

2、采样邻居，计算consistency score

Graph中，两个节点的 consistency score，其实也可以看成计算两个节点的相似性。设置一个阈值$ϵ$，过滤掉邻居节点里consistency score低的节点。

$$s^{(l)}(u,v)=\exp \left(-{\Vert {\mathbf{h}}_u^{(l)}-{\mathbf{h}}_v^{(l)}\Vert }_2^2\right)$$

3、Dataset and Graph Construction

• 数据集：YelpChi spam review dataset;
• 经过预处理，数据集包括：29431 users, 182 products, 45954 reviews(%14.5 spams);

把数据集构建成Graph的做法： 将 reviews 作为节点；有三种不同类型的边，分别是：

• R-U-R：如果两条评论是同一个用户发布的，那么这两条评论之间有一条连边；
• R-S-R: 如果两条评论的对象是同一个物品，而且评论等级相同，那么这两条评论之间有一条连边；
• R-T-R：如果两条评论的对象是同一个物品，而且是在同一个月份发布的，那么这两条评论之间有一条连边；

把每一条评论当作一个节点，每一个节点的初始特征，即是评论的文本内容经过 word2vector 方法得到的 embedding，embedding的维度是100维的.