[发明专利]一种基于多层图卷积神经网络的电商反欺诈方法

权利要求书

1.一种基于多层图卷积神经网络的电商反欺诈方法，其特征在于包括如下步骤：

步骤1，基于用户对商品的评论内容，获取用户评论内容特征和用户评论行为特征，其中，用户评论内容特征包括相似评论的数量、评论中特殊符号的数量、评论的长度、特殊符号占评论的占比，用户评论行为特征包括指定时间内评论的数量、评论的时间分布、评论的评分分布；

步骤2，将对同一商品进行评价的用户构造边，形成图结构，从而得到用户-评论图结构；

步骤3，将连续登录评论超过七天的用户标记为高度怀疑欺诈用户，其余标记为普通用户；

步骤4，训练图卷积模型，学习图节点特征和图结构；

步骤5，使用训练好的图卷积模型对测试集的节点进行预测，输出测试集预测结果；

步骤6，改变图卷积模型各个隐藏层神经元数目或激活函数，使用改变后的图卷积模型再次识别，输出预测结果；

步骤7，重复步骤6，得到多个预测结果，并与步骤5的测试集预测结果进行比较，得到对应各个预测结果的检测准确率，然后将检测准确率最高的模型确定为最终的图卷积模型。

2.如权利要求1所述的基于多层图卷积神经网络的电商反欺诈方法，其特征在于：所述步骤2的具体过程是：

步骤21，将用户表示为图G中的节点；

步骤22，如果两个节点对应的用户评论了同一个商品，则构建一条边来连接这两个节点，得到G＝{N,E,A}；

其中，N＝{n₁,n₂,n₃,...代表用户集合，E＝{e₁,e₂,e₃,...}代表边集合，A＝{a₁,a₂,a₃,...}是评论者属性集合；结点n_i和结点n_j之间有边则代表用户n_i和n_j都评论过相同的商品，表示为e_ij＝E(n_i,n_j)＝(n_i,a_i,n_j,a_j)。

3.如权利要求1所述的基于多层图卷积神经网络的电商反欺诈方法，其特征在于：所述步骤3中，将高度怀疑欺诈者分为三类：

Guise：欺诈者通过添加热门话题的评论来伪装成正常用户；

Designation:欺诈者雇佣他人参与指定的欺诈活动；

Spammers:欺诈者发布不相关的评论，以增加产品在公众评论系统中的受欢迎程度。

4.如权利要求1所述的基于多层图卷积神经网络的电商反欺诈方法，其特征在于：所述步骤4的具体内容是：

步骤41，通过图G得到一个对称邻接矩阵A；

步骤42，以矩阵X表示用户特征向量，并定义一个多层的GCN，按如下传播规则：

其中，H⁽¹⁾,H⁽²⁾,…,H^(l)为第1,2,…,l层激活矩阵，为无向图的邻接矩阵，I_N是单位矩阵，D被表示为：

W^(l)是包含H个特征映射的第l隐藏层的隐藏权重矩阵的输入；σ(·)表示激活函数。

5.如权利要求4所述的基于多层图卷积神经网络的电商反欺诈方法，其特征在于：所述步骤5中，训练好的图卷积模型的预测结果如下式：

softmax的激活函数定义如下：

其中z＝∑_iexp(x_i)，x_i代表矩阵W×X结果的向量；softmax输出的向量表示预测样本属于欺诈用户还是普通用户。