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

點擊率預(yù)測：其主要思想是根據(jù)用戶的歷史行為對一組未評級的項目進(jìn)行評級預(yù)測，然后從預(yù)測評級最高的項目中選擇個性化推薦。
欺詐檢測：推薦系統(tǒng)的評論評級數(shù)據(jù)通常來自于開放平臺，這可能會吸引一群惡意用戶故意插入虛假反饋，使推薦系統(tǒng)偏向于自己。（此類攻擊的出現(xiàn)可能會違反建模假設(shè)，即高質(zhì)量的數(shù)據(jù)總是可用的，這些數(shù)據(jù)真實地反映了用戶的興趣和偏好。）

GCN：圖卷積神經(jīng)網(wǎng)絡(luò)，用來做推薦任務(wù)，可以很好的利用rating圖的局部結(jié)構(gòu)信息和用戶本身的信息來學(xué)習(xí)用戶的表示。
NRF：神經(jīng)隨機森林，用來做異常檢測任務(wù)，NRF是一個很好的分類器。

在其端到端學(xué)習(xí)過程中，用戶在欺詐者檢測組件中被識別為欺詐者的概率自動決定該用戶的評級數(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)測誤差是欺騙者檢測分量中的一個重要特征。因此，這兩個組成部分可以相互增強。


item表示的學(xué)習(xí)：
user，item 二部圖
zv： item emb 隨機初始化 （user emb 不是隨機，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)，最簡單的比如求平均，這里使用attentaion機制

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 item 的評分

在異常檢測的時候，加入error u 的原因：認(rèn)為正常用戶是更加穩(wěn)定和可預(yù)測的，異常用戶的預(yù)測誤差會更大。所以error就可以給異常檢測提供一個強有力的信號。

zu*： dence emb ， NRF的輸入

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

葉節(jié)點p：預(yù)測節(jié)點節(jié)點，遵循概率分布 p

有o個決策樹，每個決策樹都是標(biāo)準(zhǔn)的二叉樹

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

聯(lián)合訓(xùn)練：超參數(shù)平衡兩個任務(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的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

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