基于图神经网络的电子商务恶意用户欺诈检测研究开题报告

1. 研究目的与意义

在电子商务领域，随着互联网的快速发展，各种欺诈活动也随之兴起。欺诈者经常伪装成普通用户，发布虚假信息来影响用户的购买决策。为了检测欺诈者导致的欺诈行为，越来越多的研究人员使用基于图的方法来揭示用户的可疑性。随着深度学习技术的兴起，将图卷积网络（GCN）应用于欺诈检测的研究层出不穷。而使用的图卷积网络往往只有两层，这就使得我们无法获得更高阶的节点信息。因此我们必须使用多层图神经网络来获取更多的节点信息进行训练，以获得更准确的检测结果。而使用多层图神经网络就会导致梯度消失消失现象即模型参数无法更新造成模型无效。本工作从GCN的内部结构即隐层神经元的数目和激活函数，探索了利用多层GCN检测欺诈者的可行性。

2. 研究内容和预期目标

见附件

3. 国内外研究现状

首先在计算机视觉领域，He等人提出了ResNet(Residual Network)来解决类似于过平滑的问题，发现它对于训练非常深的神经网络是有效的。不久之后，Kipf等人将ResNet添加到GCN模型中，并发现它只是减缓了过度平滑的问题。Xu等提出了JKNet (Jumping Knowledge Networks)，采用密集的跳转连接来组合各层的输出，但很大程度上依赖于图的结构。Klitspera等人提出了PPNP(Personalized Propagationof Neural Predictions)和APPNP，即使用个性化的PageRank矩阵代替图卷积权重矩阵。之后，Rong等人提出了DropEdge，通过随机去除输入图中的几条边来降低过平滑的影响。但是，当存在多层图卷积网络时，每层中删除的边也是不同的。Wu等人提出了SGC(Simpling Graph Convolutional ),通过连续去除连续层之间的权重矩阵，试图捕捉图中节点的高阶信息。Klitspera等人提出的GDC(Graph DiffusionConvolution)通过任意图形扩散过程扩展了APPNP。最近，Chen等人提出了GCNII(Graph Convolutional Networkvia Initial residual and Identity mapping)，它结合了两种简单有效的技术:初始残差和单位映射。

4. 计划与进度安排

见附件

5. 参考文献

[1] jianyu wang, rui wen, chunming wu, yuhuang, and jian xion. fdgars: fraudster detection via graph convolutional networksin online app review system. in companion proceedings of the 2019 world wideweb conference, pages 310–316,2019.

[2] leman akoglu, rishi chandy, andchristos faloutsos. opinion fraud detection in online reviews by networkeffects. in proceedings of the international aaai conference on web and socialmedia, volume 7, 2013.

[3] leman akoglu, hanghang tong, and danaikoutra. graph based anomaly detection and description: a survey. data miningand knowledge discovery, 29(3):626–688, 2015.