[論文レビュー] GCN-Based User Representation Learning for Unifying Robust Recommendation and Fraudster Detection

Shijie Zhang, Hongzhi Yin+4 more|arXiv (Cornell University)|May 20, 2020

Recommender Systems and Techniques参考文献 53被引用数 8

ひとこと要約

本稿では、二つのタスクであるレーティング予測の耐障害性と不正者検出の相互監視を活用することで、一括で耐障害的レーティング予測と不正者検出を最適化するGCNベースのエンドツーエンドフレームワーク、GraphRfiを提案する。モデルは不正確率に基づいてユーザー表現を動的に調整し、予測誤差を不正検出の信号として用いることで、すり替え攻撃下でも両タスクで最先端の性能を達成した。

ABSTRACT

In recent years, recommender system has become an indispensable function in all e-commerce platforms. The review rating data for a recommender system typically comes from open platforms, which may attract a group of malicious users to deliberately insert fake feedback in an attempt to bias the recommender system to their favour. The presence of such attacks may violate modeling assumptions that high-quality data is always available and these data truly reflect users' interests and preferences. Therefore, it is of great practical significance to construct a robust recommender system that is able to generate stable recommendations even in the presence of shilling attacks. In this paper, we propose GraphRfi - a GCN-based user representation learning framework to perform robust recommendation and fraudster detection in a unified way. In its end-to-end learning process, the probability of a user being identified as a fraudster in the fraudster detection component automatically determines the contribution of this user's rating data in the recommendation component; while the prediction error outputted in the recommendation component acts as an important feature in the fraudster detection component. Thus, these two components can mutually enhance each other. Extensive experiments have been conducted and the experimental results show the superiority of our GraphRfi in the two tasks - robust rating prediction and fraudster detection. Furthermore, the proposed GraphRfi is validated to be more robust to the various types of shilling attacks over the state-of-the-art recommender systems.

研究の動機と目的

• 悪意あるユーザーが偽のレーティングを注入することでレコメンデーションを操作する、すり替え攻撃の課題に対処すること。
• 従来のアプローチが耐障害的レコメンデーションと不正者検出を別個のタスクとして扱うため、性能が最適でないという限界を克服すること。
• 共有されたユーザー表現を通じて、不正者検出とレーティング予測の相互強化を実現するエンドツーエンドフレームワークを構築すること。
• さまざまな種類のすり替え攻撃に対して耐性を高めつつ、高いレコメンデーション精度を維持すること。

提案手法

• ユーザーとアイテムの相互作用グラフからの近隣情報の集約を通じて、ユーザーおよびアイテムの表現を学習するため、グラフ畳み込みネットワーク（GCN）を採用する。
• ユーザーおよびアイテムの特徴などの補助情報をGCNに統合することで、ユーザー表現を豊かにし、モデリングの忠実性を向上させる。
• ユーザーのレーティングパターンと予測誤差に基づいてユーザーを分類する神経的ランダムフォレストを不正者検出器として使用する。
• 双方向のフィードバックループを確立する：不正者検出確率がレコメンデーションモジュールにおけるユーザーのレーティングの寄与度を制御し、レコメンデーションの予測誤差が不正検出における重要な特徴として用いられる。
• レーティング予測と不正者分類の両方を同時に最適化するマルチタスク損失関数を用いて、モデル全体をエンドツーエンドで訓練する。
• 過学習を防ぎ、敵対的ノイズの影響下でも安定性を確保するため、不正検出に厳密な分類器を適用する。

実験結果

リサーチクエスチョン

• RQ1 分離されたアプローチと比較して、統合フレームワークは、耐障害的レーティング予測と不正者検出をより効果的に同時に最適化できるか？
• RQ2 不正者検出とレコメンデーションの間の相互フィードバックは、すり替え攻撃に対するモデルの耐性をどのように向上させるか？
• RQ3 GraphRfiは、さまざまな攻撃タイプにおいて、両方のタスクで最先端の手法をどの程度上回るか？
• RQ4 GCNベースのユーザー表現と神経的ランダムフォレストの統合は、悪意あるユーザーの検出をどの程度向上させるか？

主な発見

• GraphRfiは、2つの実世界データセットにおいて、耐障害的レーティング予測および不正者検出の両面で最先端の性能を達成した。
• モデルは、ランダム攻撃、平均攻撃、プロファイルベース攻撃を含む、複数の種類のすり替え攻撃に対して優れた耐性を示した。
• 不正者検出とレコメンデーションの間の相互強化メカニズムにより、特に攻撃率が高い状況下でも、精度と安定性が向上した。
• 予測誤差を不正検出の特徴として用いることで、悪意あるユーザーの同定能力が顕著に向上した。
• GCNと補助情報の統合により、ユーザー表現学習が向上し、一般化性能と攻撃耐性が向上した。
• エンドツーエンドの訓練戦略により、不正検出部が各ユーザーのレーティングの影響を動的に調整し、悪意あるフィードバックの影響を低減した。