一种基于时序邻居序列的游离水军群组检测方法

某些卖方通过雇佣水军群组撰写虚假评论和评分等手段来影响或误导消费者的购买决策,而拥有造假间隔时间长、造假次数少、规模小等特殊造假特征的水军群组即游离水军群组,是难以识别的。为了检测游离水军群组,提出了一种基于时序邻居序列的游离水军群组检测方法。首先,通过时序网络建模评论者的共评论关系,并基于时序网络形成时序邻居序列;其次,基于时序邻居序列生成、合并和净化规则得到候选群组集合;最后,使用造假指标将候选群组分类排序,得到游离水军群组。基于两个真实数据集分别设计了三组实验来验证筛选高可疑度评论者可行性、在不同数据集上选择合适的阈值等。结果显示在两个真实数据集上本方法优于基线方法。

动态连续时间网络表示学习

随着时间的推移,网络会随着节点和连边的变化不断发展。针对传统网络表示学习算法不能正确处理动态网络的问题,提出一种基于随机游走的动态连续时间网络表示学习算法(DCTNE)。通过定义一个灵活的节点时序邻居概念,设计一个有偏的随机游走过程。根据时间信息,有效地探索节点的不同时序邻居并建模不同邻居的影响,学习网络表示。实验证明了DCTNE动态网络时序信息的有效性。在链接预测任务上,DCTNE的AUC值与其他算法相比最高获得了50%的增益;在节点分类任务上,DCTNE相较于其他算法在效果上有明显提升。结果表明,对网络中时间依赖关系进行建模有助于后续的网络分析任务。