【技术实现步骤摘要】
一种基于多层图卷积神经网络的电商反欺诈方法
[0001]本专利技术属于信息
，涉及深度学习技术，涉及一种使用多层图卷积神 经网络模型方法，具体而言是一种通过隐藏层数量和激活函数的改变来应用多层 图卷积神经网络提高对欺诈者识别准确度的方法。
技术介绍
[0002]随着电子商务的迅速发展，大量的商品交易越来越依赖于可靠的用户对物品 给出合理有价值的评价，然而当前的电商平台面临着诸多挑战，其中最常见的一 种就是用户评分的随意性引发的不合理问题，特别是有组织的水军群组对特定商 家故意提高或降低分值，严重误导消费者决策。这些水军群组不依据客观事实进 行评分，而且数量众多，隐蔽性强，造成商品评价异常，从而导致消费者对商品 价值的错误判断。这些水军群组扰乱电子商务平台发展的正常秩序，损害电商平 台和消费者的利益，对电子商务的发展造成了不可忽视的危害。因此如何能够识 别那些有组织的恶意攻击用户，具有深刻的理论意义和重大的社会经济价值。
[0003]之前的研究围绕信誉评分系统即通过使用一系列的用户历史评分数据以及 量化用户对商品...
【技术保护点】
【技术特征摘要】
1.一种基于多层图卷积神经网络的电商反欺诈方法，其特征在于包括如下步骤：步骤1，基于用户对商品的评论内容，获取用户评论内容特征和用户评论行为特征，其中，用户评论内容特征包括相似评论的数量、评论中特殊符号的数量、评论的长度、特殊符号占评论的占比，用户评论行为特征包括指定时间内评论的数量、评论的时间分布、评论的评分分布；步骤2，将对同一商品进行评价的用户构造边，形成图结构，从而得到用户
‑
评论图结构；步骤3，将连续登录评论超过七天的用户标记为高度怀疑欺诈用户，其余标记为普通用户；步骤4，训练图卷积模型，学习图节点特征和图结构；步骤5，使用训练好的图卷积模型对测试集的节点进行预测，输出测试集预测结果；步骤6，改变图卷积模型各个隐藏层神经元数目或激活函数，使用改变后的图卷积模型再次识别，输出预测结果；步骤7，重复步骤6，得到多个预测结果，并与步骤5的测试集预测结果进行比较，得到对应各个预测结果的检测准确率，然后将检测准确率最高的模型确定为最终的图卷积模型。2.如权利要求1所述的基于多层图卷积神经网络的电商反欺诈方法，其特征在于：所述步骤2的具体过程是：步骤21，将用户表示为图G中的节点；步骤22，如果两个节点对应的用户评论了同一个商品，则构建一条边来连接这两个节点，得到G＝{N,E,A}；其中，N＝{n1,n2,n3,...代表用户集合，E＝{e1,e2,e3,...}代表边集合，A＝{a1,a2,a3,...}是评论者属性集合；结点n
i
和结点n
j
之间有边则代表用户n
i
和n
j
都评论过相同的商品，表示为e
ij
＝E(n
i
,n
j
)＝(n
i
,a
i
,n
j
,a
j
)。3.如权利要求1所述的基于多层图卷积神经网络的电商反欺诈方法，其特征在于：所述步骤3中...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。