GCN-Based User Representation Learning for Unifying Robust
Recommendation and Fraudster Detection

點(diǎn)擊率預(yù)測(cè)：其主要思想是根據(jù)用戶(hù)的歷史行為對(duì)一組未評(píng)級(jí)的項(xiàng)目進(jìn)行評(píng)級(jí)預(yù)測(cè)，然后從預(yù)測(cè)評(píng)級(jí)最高的項(xiàng)目中選擇個(gè)性化推薦。
欺詐檢測(cè)：推薦系統(tǒng)的評(píng)論評(píng)級(jí)數(shù)據(jù)通常來(lái)自于開(kāi)放平臺(tái)，這可能會(huì)吸引一群惡意用戶(hù)故意插入虛假反饋，使推薦系統(tǒng)偏向于自己。（此類(lèi)攻擊的出現(xiàn)可能會(huì)違反建模假設(shè)，即高質(zhì)量的數(shù)據(jù)總是可用的，這些數(shù)據(jù)真實(shí)地反映了用戶(hù)的興趣和偏好。）

GCN：圖卷積神經(jīng)網(wǎng)絡(luò)，用來(lái)做推薦任務(wù)，可以很好的利用rating圖的局部結(jié)構(gòu)信息和用戶(hù)本身的信息來(lái)學(xué)習(xí)用戶(hù)的表示。
NRF：神經(jīng)隨機(jī)森林，用來(lái)做異常檢測(cè)任務(wù)，NRF是一個(gè)很好的分類(lèi)器。

在其端到端學(xué)習(xí)過(guò)程中，用戶(hù)在欺詐者檢測(cè)組件中被識(shí)別為欺詐者的概率自動(dòng)決定該用戶(hù)的評(píng)級(jí)數(shù)據(jù)在推薦組件中的貢獻(xiàn);而在推薦分量中輸出的預(yù)測(cè)誤差是欺騙者檢測(cè)分量中的一個(gè)重要特征。因此，這兩個(gè)組成部分可以相互增強(qiáng)。


item表示的學(xué)習(xí)：
user，item 二部圖
zv： item emb 隨機(jī)初始化 （user emb 不是隨機(jī)，而是根據(jù)特征初始化）
er： rating emb
‘+’ ： concatenation
g ： MLP

wb：參數(shù)
6 ： relu激活函數(shù)
agg： 整合函數(shù)，最簡(jiǎn)單的比如求平均，這里使用attentaion機(jī)制

user表示的學(xué)習(xí)：
zu： user emb ，根據(jù)特征初始化
g‘：l - lyear MLP
r： user 對(duì) item 的評(píng)分

在異常檢測(cè)的時(shí)候，加入error u 的原因：認(rèn)為正常用戶(hù)是更加穩(wěn)定和可預(yù)測(cè)的，異常用戶(hù)的預(yù)測(cè)誤差會(huì)更大。所以error就可以給異常檢測(cè)提供一個(gè)強(qiáng)有力的信號(hào)。

zu*： dence emb ， NRF的輸入

決策節(jié)點(diǎn)d：有一個(gè)決策函數(shù)fd，決定接收到的input zu將被轉(zhuǎn)發(fā)到左子樹(shù)還是右子樹(shù)

葉節(jié)點(diǎn)p：預(yù)測(cè)節(jié)點(diǎn)節(jié)點(diǎn)，遵循概率分布 p

有o個(gè)決策樹(shù)，每個(gè)決策樹(shù)都是標(biāo)準(zhǔn)的二叉樹(shù)

點(diǎn)擊預(yù)測(cè)：加入了異常概率作為權(quán)重
異常檢測(cè)：user emb 加入了誤差信息

聯(lián)合訓(xùn)練：超參數(shù)平衡兩個(gè)任務(wù)權(quán)重

總結(jié)

以上是生活随笔為你收集整理的GCN-Based User Representation Learning for Unifying Robust Recommendation and Fraudster Detection的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。