Detekce falešných recenzí v rekomendačních systémech

Abstract

Podvodníci se snaží své chování maskovat, aby zůstali skrytí. To může mít za následek náročný návrh modelů, které je mají spolehlivě detekovat, jelikož část podvodníků může zůstat ukrytá v množině označené za ne-podvodníky. Existující výzkum ukazuje, že grafová konvoluce může přinést vylepšení díky její schopnosti využít vztahy mezi jednotlivými případy. Tato práce navrhuje siamskou grafovou neuronovou síť, kterou lze trénovat semi-supervizovaným učením, kdy je k dispozici jen malá množina známých podvodníků. Tento model projevuje lepší výkon než existující metody a vyšší odolnost proti maskovaným podvodníkům.

Fraudsters attempt to camouflage their behavior to remain undetected. This can make it challenging to design models capable of reliably discovering them, as negative samples may be contaminated with hidden positives. Existing research has shown that taking advantage of relationships between instances using graph convolution improves the detection ability. This work proposes a siamese graph neural network that can be trained in a semi-supervised fashion using a small set of known fraudsters. It shows improved performance over existing methods and increased resilience against camouflaged fraudsters.