[论文解读] 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 8

一句话总结

该论文提出 GraphRfi，一种基于 GCN 的端到端框架，通过在两个任务之间建立相互监督，联合优化鲁棒评分预测与欺诈者检测。该模型根据欺诈概率动态调整用户表征，并将预测误差用作欺诈检测信号，在对抗洗单攻击的情况下，两个任务均实现了最先进性能。

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.

研究动机与目标

• 解决推荐系统中的洗单攻击挑战，即恶意用户注入虚假评分以操纵推荐结果。
• 克服现有方法将鲁棒推荐与欺诈者检测视为独立任务所导致的性能次优问题。
• 开发一个端到端框架，通过共享用户表征实现欺诈者检测与评分预测之间的相互增强。
• 在保持高推荐准确率的同时，提升模型对各类洗单攻击的鲁棒性。

提出的方法

• 使用图卷积网络（GCN）通过聚合用户-物品交互图中的邻域信息，学习用户与物品表征。
• 将辅助信息（如用户和物品特征）整合到 GCN 中，以丰富用户表征并提升建模保真度。
• 采用神经随机森林作为欺诈者检测器，基于用户的评分模式与预测误差对用户进行分类。
• 建立双向反馈回路：欺诈者检测概率调节用户评分在推荐模块中的贡献度，而推荐预测误差则作为欺诈检测的关键特征。
• 使用多任务损失函数，端到端联合训练整个模型，以同时优化评分预测与欺诈者分类。
• 在欺诈检测中应用严格分类器，以防止过拟合并确保在对抗性噪声下保持稳定性。

实验结果

研究问题

• RQ1 统一框架是否能比独立方法更有效地联合优化鲁棒评分预测与欺诈者检测？
• RQ2 欺诈者检测与评分预测之间的相互反馈如何提升模型对洗单攻击的鲁棒性？
• RQ3 GraphRfi 在多种攻击类型下，是否在评分预测准确率与欺诈者检测性能方面均显著优于最先进方法？
• RQ4 将基于 GCN 的用户表征与神经随机森林结合，如何增强对恶意用户的检测能力？

主要发现

• GraphRfi 在两个真实世界数据集上，均在鲁棒评分预测与欺诈者检测任务中达到最先进性能。
• 该模型对多种洗单攻击类型（包括随机攻击、平均值攻击与基于用户画像的攻击）表现出卓越的鲁棒性。
• 欺诈者检测与推荐之间的相互增强机制显著提升了模型的准确率与稳定性，尤其在高攻击率场景下表现更优。
• 将预测误差用作欺诈检测特征，显著增强了模型识别恶意用户的能力。
• 将 GCN 与辅助信息结合，提升了用户表征学习效果，从而增强了泛化能力与抗攻击能力。
• 端到端训练策略确保欺诈检测组件能动态调整每个用户评分的影响，从而降低恶意反馈的冲击。