基于局部扩展社区发现的学术异常引用群体检测

学术社交网络中的某些学者可能组成异常引用群体,相互之间过度引用彼此的文章以谋取利益。现有的异常群体检测算法大多将社区检测与节点表示学习分离,导致最终异常群体检测性能受限。为此,提出一种基于局部扩展社区发现的异常引用群体检测(GADL)算法。所提算法利用论文研究领域、标题内容等语义信息提取作者异常引用特征;定义基于节点转移相似度、节点社区隶属度、引用异常度和广度优先遍历(BFS)深度的扩展度量函数;结合异常社区发现和异常节点检测,在统一框架下对二者联合优化,可获得最优的异常检测性能。在ACM、DBLP1和DBLP2数据集上,相较于ALP算法,所提算法分别提高了6.07%、5.35%和3.38%。在真实数据集上的实验结果表明,所提算法可有效地检测异常学术引用。

基于深度强化学习的异常学术引用检测

现有高效识别异常引用的算法存在无法充分利用已知的标签信息或伪标签导致训练过程恶化等问题。为此提出一种融合深度强化学习和图神经网络技术的异常检测方法RACD。异常检测智能体可有效提取作者节点的异常引用特征;异常感知环境建模驱动智能体充分学习已标注数据中的异常特点,发现未标注数据中的潜在异常。通过智能体与环境的不断交互,获得最优的引用异常检测策略。在真实数据集上进行实验,其结果表明,该方法可有效检测异常学术引用。