通过潜在的财政收益,公司可能会聘请Freaudster团体来编写虚假审查,以贬低竞争对手或促进自己的企业。这些群体在误导客户方面更加成功,因为人们更有可能受到一个大型群体意见的影响。为了检测这些组,一个共同的模型是代表欺诈者组的静态网络,从而忽略了评论者的纵向行为,从而忽略了一个组中审阅者之间的共同审查关系的动态。因此,这些方法无法排除异常值审核人员,这些方法是故意伪装在一群群体中的欺诈者,并且真正的审稿人碰巧在欺诈者群体中共同审查。为了解决这个问题,在这项工作中,我们建议首先利用宾馆在审稿人的代表学习中的欣朗的有效性,同时捕获审稿人之间的合作,我们首先利用欣朗来模拟共同审查关系在28天的固定时间窗口中的审核人员。我们将此称为空间关系学习表示,以表示这项工作的恒定性到其他网络方案。然后我们在空间关系上使用RNN,以预测本集团中审核人员的时空关系。在第三步中,图形卷积网络(GCN)使用这些预测的关系改进了审阅者的矢量表示。然后使用这些精制的表示来删除异常值审核员。然后将剩余审阅者表示的平均值馈送到简单的完全连接的层以预测该组是欺诈者组。拟议方法的详尽实验表明,在yelp上的精度,召回和f1值的三种最近的三种方法中,12%(5%),12%(5%)改善(亚马逊)数据集分别。
translated by 谷歌翻译