结合58广告反作弊业务场景,我们应用了连通子图算法、标签传播算法、louvain算法和GCN算法,取得了不错的效果。实践表明,图卷积神经网络算法对图的结构信息和图节点的特征进行有效的抽取和分析,能够大幅提高反作弊识别效果。在今后的工作中,我们会考虑使用更多维度的行为数据建图,并在图结构中考虑边的权重。会根据业务特点,有针对性的改进基础的连通子图算法、标签传播算法和louvain算法。 参考文献:1.Raghavan U N , Albert, Réka, Kumara S . Near linear time algorithm to detect community structures in large-scale networks[J]. Physical Review E, 2007, 76(3):036106.2.Blondel V D , Guillaume J L , Lambiotte R , et al. Fast unfolding of communities in large networks[J]. Journal of Statistical Mechanics Theory & Experiment, 2008, 2008(10):0-0.3.Kipf T N , Welling M . Semi-Supervised Classification with Graph Convolutional Networks[J]. 2016.4.https://towardsdatascience.com/how-to-do-deep-learning-on-graphs-with-graph-convolutional-networks-7d2250723780 作者简介:韦贞乐: 商业生态与智能发展中心-商业技术部-策略技术部算法高级开发工程师,负责58同城广告反作弊工作。马建:商业生态与智能发展中心-商业技术部-策略技术部算法高级开发工程师,负责58同城广告反作弊工作。 推荐阅读: 58金融的CSRF防御实践 深度学习在58同城首页推荐中的应用 槽位识别与纠错在智能语音机器人中的实践 智能语音机器人中VAD语音端点检测算法优化实践