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。

社交审核已经占据了网络，成为产品信息的合理来源。人和企业使用此类信息进行决策。企业还利用社交信息使用单个用户，用户组或培训的机器人传播伪信息以产生欺诈内容。许多研究提出了基于用户行为和审查文本来解决欺诈检测挑战的方法。为了提供详尽的文献综述，使用框架进行审查的社会欺诈检测，该框架考虑了三个关键组件：审查本身，执行审核的用户以及正在审查的项目。作为组件表示提取的特征，基于行为，基于文本的特征及其组合提供了一个特征明智的审查。通过此框架，展示了全面的方法概述，包括监督，半监督和无监督的学习。欺诈检测的监督方法被引入并分为两个子类别;古典，深入学习。解释了标记的数据集缺乏，并提出了潜在的解决方案。为了帮助该地区的新研究人员发展更好的理解，在建议的系统框架的每一步中提供了一个主题分析和未来方向的概述。