論文の概要: HIN-RNN: A Graph Representation Learning Neural Network for Fraudster Group Detection With No Handcrafted Features

• arxiv url: http://arxiv.org/abs/2105.11602v1
• Date: Tue, 25 May 2021 01:48:28 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-26 13:43:32.467814
• Title: HIN-RNN: A Graph Representation Learning Neural Network for Fraudster Group Detection With No Handcrafted Features
• Title（参考訳）: HIN-RNN: 手作り特徴のないフラッドスター群検出のためのグラフ表現学習ニューラルネットワーク
• Authors: Saeedreza Shehnepoor, Roberto Togneri, Wei Liu, Mohammed Bennamoun
• Abstract要約: 不正グループ検出のための異種情報ネットワーク(HIN)互換RNNであるHIN-RNNを提案する。 HIN-RNNは、各レビュアーのテキスト表現を学習するための統一アーキテクチャを提供する。 提案手法はYelp(リコールでは22%,F1値では12%)とAmazon(リコールでは4%,F1値では2%)に対して,最先端アプローチを著しく改善する上で有効であることが確認された。
• 参考スコア（独自算出の注目度）: 42.30892608083864
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Social reviews are indispensable resources for modern consumers' decision making. For financial gain, companies pay fraudsters preferably in groups to demote or promote products and services since consumers are more likely to be misled by a large number of similar reviews from groups. Recent approaches on fraudster group detection employed handcrafted features of group behaviors without considering the semantic relation between reviews from the reviewers in a group. In this paper, we propose the first neural approach, HIN-RNN, a Heterogeneous Information Network (HIN) Compatible RNN for fraudster group detection that requires no handcrafted features. HIN-RNN provides a unifying architecture for representation learning of each reviewer, with the initial vector as the sum of word embeddings of all review text written by the same reviewer, concatenated by the ratio of negative reviews. Given a co-review network representing reviewers who have reviewed the same items with the same ratings and the reviewers' vector representation, a collaboration matrix is acquired through HIN-RNN training. The proposed approach is confirmed to be effective with marked improvement over state-of-the-art approaches on both the Yelp (22% and 12% in terms of recall and F1-value, respectively) and Amazon (4% and 2% in terms of recall and F1-value, respectively) datasets.
• Abstract（参考訳）: 社会レビューは現代の消費者の意思決定に欠かせないリソースである。 金融利益を得るためには、消費者はグループからの同様のレビューで誤解される傾向にあるため、企業はグループで商品やサービスをデモしたり宣伝したりするために詐欺師に支払うのが好ましい。 詐欺師グループ検出に対する最近のアプローチでは,グループ内のレビュー者からのレビューの意味関係を考慮せずに,グループ行動の手作り特徴を用いた。 本稿では,HIN-RNN(Herogeneous Information Network (HIN) Compatible RNN for fraudster group detection, no handcrafted features)を提案する。 HIN-RNNは、各レビュアーの表現学習のための統一されたアーキテクチャを提供し、初期ベクトルは、同じレビュアーによって書かれた全てのレビューテキストの単語埋め込みの和であり、負のレビューの比率によって構成される。 同じ評価とベクター表現で同じ項目をレビューしたレビュアーを表わすコリビューネットワークが与えられると、HIN-RNNトレーニングによって協調行列が取得される。 提案手法はYelp(リコールでは22%,F1値では12%)とAmazon(リコールでは4%,F1値では2%)の2つのデータセットに対して,最先端のアプローチを大幅に改善する上で有効であることが確認された。

関連論文リスト

• Gradient-Boosted Decision Tree for Listwise Context Model in Multimodal Review Helpfulness Prediction [40.09991896766369]
  マルチモーダルレビュー ヘルプフルネス予測は、予測された有用度スコアに基づいて製品レビューをランク付けすることを目的としている。 本稿ではMRHPランキングの文脈を明確に把握するリストワイズアテンションネットワークを提案する。 また,製品レビューの表現を効果的に分割するスコア予測木として,勾配ブースト決定木を提案する。
  論文  参考訳（メタデータ） (2023-05-22T03:31:00Z)
• Are Your Reviewers Being Treated Equally? Discovering Subgroup Structures to Improve Fairness in Spam Detection [13.26226951002133]
  本稿では,スパム検出のための新しいサブグループ構造の定義,近似,利用の課題に対処する。 まず、レビューグラフ内のサブグループ構造を同定し、グループ内の離散精度を導出する。 3つの大規模なYelpレビューデータセットのベースラインに対する総合的な比較では、サブグループのメンバシップを識別し、グループフェアネスに活用できることが示されている。
  論文  参考訳（メタデータ） (2022-04-24T02:19:22Z)
• Spatio-Temporal Graph Representation Learning for Fraudster Group Detection [50.779498955162644]
  企業は、偽レビューを書くために詐欺師グループを雇い、競合相手をデモしたり、自分のビジネスを宣伝したりすることができる。 そのようなグループを検出するには、詐欺師グループの静的ネットワークを表現するのが一般的なモデルである。 両レビュアーの表現学習におけるHIN-RNNの有効性を第一に活用することを提案する。
  論文  参考訳（メタデータ） (2022-01-07T08:01:38Z)
• SIFN: A Sentiment-aware Interactive Fusion Network for Review-based Item Recommendation [48.1799451277808]
  本稿では、レビューに基づく項目推薦のための感性認識型インタラクティブフュージョンネットワーク(SIFN)を提案する。 まず、BERTを介してユーザ/イテムレビューをエンコードし、各レビューのセマンティックな特徴を抽出する軽量な感情学習者を提案する。 そこで我々は,感情学習者が明示的な感情ラベルを用いて感情認識特徴を抽出するための感情予測タスクを提案する。
  論文  参考訳（メタデータ） (2021-08-18T08:04:38Z)
• ScoreGAN: A Fraud Review Detector based on Multi Task Learning of Regulated GAN with Data Augmentation [50.779498955162644]
  生成・検出プロセスにおけるレビューテキストとレビューレーティングスコアの両方を利用した不正レビュー検出のためのScoreGANを提案する。 その結果,提案フレームワークは,既存の最先端フレームワークであるFakeGANをAPの7%,YelpとTripAdvisorのデータセットで5%上回る性能を示した。
  論文  参考訳（メタデータ） (2020-06-11T16:15:06Z)
• DFraud3- Multi-Component Fraud Detection freeof Cold-start [50.779498955162644]
  コールドスタート(Cold-start)は、新しいユーザの認証に検出システムが失敗したことを指す重要な問題である。 本稿では,各コンポーネントに固有の表現を可能にする異種情報ネットワーク (HIN) としてレビューシステムをモデル化する。 HINとグラフ誘導はカモフラージュ問題(本物のレビュー付き詐欺師)に対処するのに役立ち、これはコールドスタートと組み合わされた場合、すなわち真に最初のレビューを持つ新しい詐欺師がより深刻であることが示されている。
  論文  参考訳（メタデータ） (2020-06-10T08:20:13Z)
• A Unified Dual-view Model for Review Summarization and Sentiment Classification with Inconsistency Loss [51.448615489097236]
  ユーザーレビューから正確な要約と感情を取得することは、現代のEコマースプラットフォームにとって不可欠な要素である。 本稿では,これら2つのタスクの性能を協調的に改善する新しいデュアルビューモデルを提案する。 異なる領域の4つの実世界のデータセットに対する実験結果から,本モデルの有効性が示された。
  論文  参考訳（メタデータ） (2020-06-02T13:34:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。