集成层级图注意力网络检测非均衡虚假评论

作为机器学习当前一大热点，图神经网络（GNN）模型近年来已逐渐开始结合用户评论应用于欺诈检测领域。但现实中汇总的用户评论涉及多个不同领域，可用信息复杂多样，海量的用户生成内容中欺诈信息通常也只占少数，基于GNN的相关检测方法对虚假评论的识别效果不甚理想。针对这种特征异构和数据分布不均衡的问题，将评论系统进行异构网络建模，提出一种新的集成层次图注意力网络（En-HGAN）识别方法。通过融合层次注意力结构，更加充分地利用异构网络中丰富的用户行为信息，为评论学习更加丰富的语义表征，并在集成学习Bagging框架下集成多个差异化的HGAN子模型，使用随机欠采样策略实现基学习器多样性聚合，从而减少有效信息丢失，增强对欺诈评论的检测能力。在YelpChi与Amazon真实数据集上的实验结果表明，En-HGAN方法具有良好的异常探测性能，和当前一些最新的方法相比，在数据类别倾斜分布的应用中显示En-HGAN方法对欺诈实体具有不错的鲁棒性。