[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

说明书

本发明公开一种基于多层图卷积神经网络的电商反欺诈方法，步骤是：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；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；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；训练图卷积模型，学习图节点特征和图结构；使用训练好的图卷积模型对测试集进行识别，输出测试集预测结果；多次改变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；基于多次预测结果，将检测准确率最高的模型确定为最终的图卷积模型。此种方法能够实现对高度伪装的欺诈者的识别，提高对欺诈者的识别精度。

技术领域

本发明属于信息技术领域，涉及深度学习技术，涉及一种使用多层图卷积神 经网络模型方法，具体而言是一种通过隐藏层数量和激活函数的改变来应用多层 图卷积神经网络提高对欺诈者识别准确度的方法。

背景技术

随着电子商务的迅速发展，大量的商品交易越来越依赖于可靠的用户对物品 给出合理有价值的评价，然而当前的电商平台面临着诸多挑战，其中最常见的一 种就是用户评分的随意性引发的不合理问题，特别是有组织的水军群组对特定商 家故意提高或降低分值，严重误导消费者决策。这些水军群组不依据客观事实进 行评分，而且数量众多，隐蔽性强，造成商品评价异常，从而导致消费者对商品 价值的错误判断。这些水军群组扰乱电子商务平台发展的正常秩序，损害电商平 台和消费者的利益，对电子商务的发展造成了不可忽视的危害。因此如何能够识 别那些有组织的恶意攻击用户，具有深刻的理论意义和重大的社会经济价值。

之前的研究围绕信誉评分系统即通过使用一系列的用户历史评分数据以及 量化用户对商品的影响来计算用户的信誉。虽然水军群组具有隐蔽性强的特点， 但是从历史评分数据进行分析，水军群组在评分行为的表现上是区别于正常用户 的。其中最常见的水军群组就是极端水军群组和随机水军群组。所谓极端水军群 组是一些偏向于将分数打最低和打最高的用户，而随机水军群组是为了扰乱评分， 随机对商品进行评分。针对这两类水军群组，近年来涌现出大量的信誉评价算法。

基于用户信誉和商品质量的相关性P.LAURETI与Zhou Yan-Bo等人分别提 出了IR(Iterative Refinement Ranking)、CR(Correlation---based Ranking)算法等。 此类算法核心在于确定商品的质量与用户评分的差异，当用户的评分行为偏离商 品质量越多，则此时此类用户的信誉就会低于正常用户，此类算法在面对极端水 军群组表现效果较好，然而在针对随机水军群组显得束手无策。因此Gao Jian 等人基于群组的思想提出了GR(Group-based Ranking)、IGR(Iterative Group-based Ranking)算法。这些算法的想法在于把那些背离大众评分行为的用户归为水军群 组。虽然此类算法对随机评分水军群组和极端水军群组的判别都有不错的表现， 但该算法未考虑到若商品中水军群组占据“大众”地位，则此时反而正常用户变 为水军群组，算法就会失效。除以上算法之外，还有基于正态分布、Beta分布假 设的一些信誉算法，例如LEE DAEKYUNG等人提出得DR(Deviation-basedspam-filtering Ranking)以及WuYing-Ying等人提出的BR(Bayesian Ranking)算法， 以及考虑到用户偏好Wu Leilei等人提出的IBR(Iterative Balance Ranking)算法。 不过此类算法都只适应某种假设下的数据，具有较大的局限性。经过相关实验， 以上算法在数据量较大、且比较稀疏的情况下，表现不佳，鲁棒性不是很好。

另一方面，欺诈者也越来越善于伪装，以往简单的评分信誉系统也渐渐失去 优势。随着深度学习技术的兴起，将图卷积网络应用于欺诈检测的研究层出不穷。 遗憾的是，所使用的图卷积网络往往只有两层，这使得我们无法获得更高阶的节 点信息。

发明内容

本发明的目的，在于提供一种基于多层图卷积神经网络的电商反欺诈方法， 能够实现对高度伪装的欺诈者的识别，提高对欺诈者的识别精度。