使用图卷积网络检测垃圾评论

"这篇资源是关于使用图卷积网络（GCN）进行垃圾评论检测的CIKM 2019最佳应用论文。阿里巴巴的研究团队提出了一个名为GAS（GCN-based Anti-Spam method）的方法，针对大型电商平台闲鱼（Xianyu）上的评论数据进行分析，以解决大规模数据中的广告伪装和评论变形等挑战。" 在电子商务平台中，用户评论对于商品评价和交易决策至关重要。然而，随着平台规模的扩大，垃圾评论，如广告、欺诈信息等，成为了一个严重的问题。为了保护用户免受这些有害信息的影响，需要开发有效的垃圾评论检测系统。 图卷积网络（GCN）是一种在图结构数据上进行深度学习的工具，它可以从节点的邻接关系中学习特征表示。在垃圾评论检测任务中，GCN被用来处理用户与商品之间的二分图（bipartite graph），其中用户（U）、商品（I）和评论（E）构成了图的节点和边。GCN通过多层的信息传播和聚合，能够捕捉到用户、商品和评论之间的复杂关联。 在构建Xianyu图时，用户节点的邻居是他们评论过的商品，而商品节点的邻居则是评论它们的用户。为了处理异质性数据，即用户和商品的属性不同，研究者采用了异质图卷积网络（HetGCN）。异质图允许不同类型的节点和边，使得模型可以更好地捕获不同类型的交互信息。 方法的核心部分包括聚合子层和组合子层。聚合子层负责从每个节点的邻居那里收集信息，而组合子层则将这些信息整合成新的节点表示。此外，考虑到评论的时间序列特性，研究者引入了时间相关的采样策略。选择最近的M条评论进行考虑，当候选评论不足M个时，用占位符填充。这种方法优于随机子采样，因为它保持了邻居分布的稳定性，避免了因重新采样导致的邻居信息丢失。 对于评论的表示，使用文本卷积神经网络（TextCNN）先对评论进行预训练，得到评论嵌入。而对于用户和商品，GCN同样会考虑其与评论的关联。另外，图注意力网络（GAT）可能也被用于增强模型的表示能力，通过注意力机制赋予不同邻居不同的权重。 这个工作利用GCN的强大学习能力，结合电子商务平台特有的数据结构和时间信息，有效地提升了垃圾评论的检测效果，展示了深度学习技术在处理复杂网络数据中的潜力。