[논문 리뷰] GCN-Based User Representation Learning for Unifying Robust Recommendation and Fraudster Detection

Shijie Zhang, Hongzhi Yin외 4명|arXiv (Cornell University)|2020. 05. 20.

Recommender Systems and Techniques참고 문헌 53인용 수 8

한 줄 요약

이 논문은 그래프 컬러네이션 네트워크(GCN) 기반의 엔드 투 엔드 프레임워크인 GraphRfi를 제안한다. 이 프레임워크는 두 작업 간 상호 보완적 지도를 활용하여 강건한 평점 예측과 위조자 탐지 작업을 동시에 최적화한다. 모델은 위조 확률에 따라 사용자 표현을 동적으로 조정하고, 예측 오차를 위조 탐지 신호로 사용하여, 위조 공격 상황에서도 두 작업 모두 최신 기술 수준의 성능을 달성한다.

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.

연구 동기 및 목표

• 악성 사용자가 위조 평점을 주입하여 추천을 조작하는 위조 공격 문제를 해결한다.
• 기존 방법들이 강건한 추천과 위조자 탐지를 별개의 작업으로 간주하여 성능이 최적화되지 않는 문제를 해결한다.
• 공유된 사용자 표현을 통해 위조자 탐지와 평점 예측 간 상호 강화를 가능하게 하는 엔드 투 엔드 프레임워크를 개발한다.
• 다양한 유형의 위조 공격에 대비한 모델의 강건성을 향상시키면서도 높은 추천 정확도를 유지한다.

제안 방법

• 사용자-항목 상호작용 그래프에서 이웃 정보를 집계함으로써 사용자 및 항목 표현을 학습하기 위해 그래프 컬러네이션 네트워크(GCN)를 사용한다.
• 사용자 및 항목 특성 등의 부가 정보를 GCN에 통합하여 사용자 표현을 풍부화하고 모델링의 정밀도를 향상시킨다.
• 사용자의 평점 패턴과 예측 오차를 기반으로 사용자를 분류하는 신경형 랜덤 포레스트를 위조자 탐지기로 활용한다.
• 舣방향 피드백 루프를 구축한다: 위조자 탐지 확률이 추천 모듈에서 사용자 평점의 기여도를 조절하고, 추천 예측 오차는 위조 탐지에서 핵심 특징으로 사용된다.
• 평점 예측과 위조자 분류를 동시에 최적화하는 다중 작업 손실 함수를 사용하여 전체 모델을 엔드 투 엔드로 훈련시킨다.
• 과적합을 방지하고 적대적 노이즈 존재 상황에서도 안정성을 확보하기 위해 위조 탐지에 엄격한 분류기를 적용한다.

실험 결과

연구 질문

• RQ1 분리된 접근 방식에 비해 통합 프레임워크가 강건한 평점 예측과 위조자 탐지 작업을 더 효과적으로 동시에 최적화할 수 있는가?
• RQ2 위조자 탐지와 평점 예측 간 상호 피드백 메커니즘이 위조 공격에 대한 모델의 강건성을 어떻게 향상시키는가?
• RQ3 다양한 공격 유형 하에서 GraphRfi가 최신 기술 수준의 방법들에 비해 평점 예측 정확도와 위조자 탐지 성능 모두에서 얼마나 뛰어난가?
• RQ4 GCN 기반 사용자 표현과 신경형 랜덤 포레스트의 통합이 악성 사용자 탐지 능력을 어떻게 향상시키는가?

주요 결과

• GraphRfi는 두 개의 실세계 데이터셋에서 강건한 평점 예측과 위조자 탐지 모두 최신 기술 수준의 성능을 달성한다.
• 모델은 무작위, 평균, 프로파일 기반 공격을 포함한 다양한 유형의 위조 공격에 대해 뛰어난 강건성을 보인다.
• 위조자 탐지와 추천 간 상호 강화 메커니즘이 고공격 비율 상황에서도 정확도와 안정성을 향상시킨다.
• 예측 오차를 위조 탐지 특징으로 사용함으로써 모델이 악성 사용자를 식별하는 능력이 크게 향상된다.
• GCN와 부가 정보의 통합은 사용자 표현 학습을 향상시켜 더 나은 일반화 능력과 공격에 대한 저항력을 제공한다.
• 엔드 투 엔드 훈련 전략은 위조 탐지 구성 요소가 각 사용자 평점의 영향력을 동적으로 조정함으로써 악성 피드백의 영향을 줄인다.