JP2023543128A - 動的アテンショングラフネットワークに基づくマーケティング裁定取引ネット暗黒産業の識別方法 - Google Patents

動的アテンショングラフネットワークに基づくマーケティング裁定取引ネット暗黒産業の識別方法 Download PDF

Info

Publication number
JP2023543128A
JP2023543128A JP2023513542A JP2023513542A JP2023543128A JP 2023543128 A JP2023543128 A JP 2023543128A JP 2023513542 A JP2023513542 A JP 2023513542A JP 2023513542 A JP2023513542 A JP 2023513542A JP 2023543128 A JP2023543128 A JP 2023543128A
Authority
JP
Japan
Prior art keywords
attention
user
graph
nodes
information
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2023513542A
Other languages
English (en)
Inventor
傅剣文
陳心童
章建森
韓弘煬
周文彬
Original Assignee
天翼電子商務有限公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 天翼電子商務有限公司 filed Critical 天翼電子商務有限公司
Publication of JP2023543128A publication Critical patent/JP2023543128A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
    • G06Q30/0225—Avoiding frauds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Biology (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本願は、動的アテンショングラフネットワークに基づくマーケティング裁定取引ネット暗黒産業の識別方法を提案し、それは以下の利点を有し、第一は、ユーザーノードと、商人ノードと、多次元関係と複数の時刻からなる新型動的グラフネットワーク構造を定義し、２）ユーザーノードと、商人ノードと、多次元関係の統一をより効果的に実現し、さらにノードの空間的構造の情報集約をより良く実現するために、新型マルチエッジアテンションユニットを設計し、３）グラフネットワークの時間動態性において、マルチチャンネルＧＲＵユニットを通じてアテンション情報を伝達する動的モードを設計し、グラフネットワークの時間軸上の発展情報も有効に伝達されるようになり、４）マルチエッジアテンションユニットとマルチチャンネルＧＲＵユニットを効果的にマージし、動的アテンションユニットという新しい処理ユニットを提案し、該ユニットを用いて構築された動的アテンショングラフネットワークにより、時間的な次元の情報を有効に伝達できるとともに、空間的な次元の多層隣接情報を効率的に集約することもできる。【選択図】図１

Description

本発明は新興情報技術、人工知能の分野に関し、特に動的アテンショングラフネットワークに基づくマーケティング裁定取引ネット暗黒産業の識別方法に関する。
マーケティング裁定取引は、新しいネット詐欺の手段であり、裁定取引暗黒産業は、各種の不法な方式を通じて電子商取引プラットフォームや支払いプラットフォームが打ち出した商品引換券、割引、一定金額以上の削減、すぐに現金返還・割引などのマーケティング活動の権益を大量に獲得し、一般消費者の切実な利益を大きく傷つけ、プラットフォーム側が投入したマーケティングコストもそのあるべき価値を発揮しなかった。また、現在のインターネット産業の急速な発展に伴い、マーケティング裁定取引暗黒産業は団体になっていき、手段もより隠蔽され複雑になっている。
従来のソリューションとして、リスク対応方針に命中された裁定取引暗黒産業者を捕まえるために、専門家の経験に基づいてリスク管理体制にいくつかのリスク対応方針を設置しているが、暗黒産業の手段がよりグループ化、複雑化、隠蔽化されるにつれて、このような方法は専門家自身の経験に制約され、いくつかの特徴が潜んでいるか、あるいは手段が新しい裁定取引暗黒産業集団をより全面的に識別することができない。
グラフネットワークを構築し、グラフネットワークにいくつかのリスクオペレーターを定義し、リスクオペレーターを計算することでグラフにおける各ノードの裁定取引リスクを判断することが提案されたが、このような方法には通常、１）本質的にこのような方法は、専門家の経験戦をより複雑な形でグラフネットワークに定義するものであり、同様にオペレーター自体に制約され、機械学習のアルゴリズムではない。２）このような方法は、往々にしてグラフネットワーク空間上のトポロジー情報のみを利用し、ネットワークノード自体に含まれた特徴情報を利用していない。３）通常は、低隣接関係における情報のみを利用しているが、高隣接関係に含まれた潜在情報を十分に利用していない。
科学技術の発展と進歩に伴い、グラフニューラルネットワークを通じてこのシーンの問題をよりよく解決することが提案された。グラフニューラルネットワークは、歴史サンプルに基づく自己学習可能なアルゴリズムであるため、専門家の経験の限界性が回避されるとともに、すべてノード自身の特徴情報を導入し、多層隣接の情報集約を行うことで、潜在的な裁定取引リスクノードをより全面的に識別できるようになる。
しかし、現在のグラフニューラルネットワークに基づく方法は、殆ど動的グラフではなく静的グラフを使用し、即ちある時点のグラフネットワーク構造にすぎず、時間軸におけるグラフネットワークの発展は考慮されていない。静的グラフの方法は、グラフネットワーク空間構造上の情報だけを考慮しているが、時間軸上で伝達される情報は無視されている。
本発明が解決しようとする技術問題は従来技術の欠陥を克服することであり、動的アテンショングラフネットワークに基づくマーケティング裁定取引ネット暗黒産業の識別方法を提供し、リスク管理体制による裁定取引暗黒産業識別の全面性と正確性は大幅に向上し、さらにこのシーン問題をよりよく解決できるようになる。
上記技術的な課題を解決するために、本発明は以下の技術的手段を提供し、
本発明は、以下のステップを含む動的アテンショングラフネットワークに基づくマーケティング裁定取引ネット暗黒産業の識別方法を提供し、
２種類のノード、４種類の関係エッジ、Ｔ個の時刻からなる動的グラフネットワーク構造を定義するステップ１と、
１）２種類のノードは、グラフネットワークに含まれるユーザーノードVcと商人ノードVbであり、
２）４種類の関係エッジはそれぞれ以下の通り、
A）ユーザーとユーザー間のデバイス関係エッジEd、
アクセスログにおける過去のある期間において、異なるユーザーがデバイスにアクセスしたＩＰに同一性が存在したことに基づいて、ユーザーノードとユーザーノード間のデバイス関係エッジが生成され、
B)ユーザーとユーザー間の支払関係エッジEp、
ビジネスシステムにおける過去のある期間において、ユーザーとユーザー間に、振替支払行動が存在したことに基づいて、ユーザーノードとユーザーノード間の支払関係エッジが生成され、
C)ユーザーとユーザー間の社交関係エッジEs、
ビジネスシステムにおける過去のある期間において、ユーザーとユーザーの間に、一方がマーケティング活動情報を共有し、且つ他方をそのマーケティング活動に成功に招待した行為に基づいて、ユーザーノードとユーザーノード間の社交関係エッジが生成され、
D)ユーザーと商人間の取引関係エッジEt、
ビジネスシステムにおける過去のある期間において、ユーザーが商人で取引の支払をした行為に基づいて、ユーザーノードと商人ノード間の取引関係エッジが生成され、
３）Ｔ個の時刻とは、
時間軸上でｔ０の時刻を初期とし、ωを間隔とし、連続するＴ個の時点を選択し、各時点において、一枚の上記２種類のノードと４種類の関係エッジからなる関係グラフネットワークが生成されるため、グラフネットワークの時間に伴うＴ個の時刻の変化を反映し、
グラフデータベースに、Ｔ個の時刻にＴ枚のネットワークグラフが生成されるステップ２と、
それぞれ、次式であり、
Figure 2023543128000002
各時点のユーザーセットVcをグラフデータベースモジュールから分散データベースモジュールにそれぞれ導入し、且つ各時点のユーザーごとにその属性を表すｍ次元の固有ベクトルを生成し、より良い識別効果を得るために、固有ベクトルの特徴領域は一般的な自然人の属性特徴を選択して構築してもよく、専門家の経験から抽出した統計的特徴を導入してもよい、例えば、過去にある期間にあるイベントにアクセスした回数など、これにより、各時点のユーザーセットVcに属性特徴行列（次式）を生成し、
Figure 2023543128000003
分散データベースモジュールにテーブルの形で格納し、下付き文字n0,n1,・・・は各時点におけるユーザーセットの数をそれぞれ表し、
上記通り、各時点の商人セットVbをグラフデータベースモジュールから分散データベースモジュールにそれぞれ導入し、各時点の商人ごとにその属性を表すｋ次元の固有ベクトルを生成することで、各時点の商人セットVbに属性特徴行列（次式）を生成し、
Figure 2023543128000004
分散データベースモジュールにテーブルの形で格納し、下付き文字l0, l 1,・・・は各時点における商人セットの数をそれぞれ表し、
履歴の裁定取引ユーザーのポジ／ネガパターンに基づいて、各時点のユーザーセットVcにそれぞれラベルを付け、分散データベースモジュールにテーブルの形で格納し、ラベルを付けた後、ユーザーセットVcはラベル付き（Vlabeled）とラベルなし（Vunlabeled）の２種類のパターンになり、Vlabeledパターンは既知の裁定取引ユーザーパターンVlabeled=1と既知の非裁定取引ユーザーパターンVlabeled=0に分けられ、グラフネットワークにおけるすべての商人ノードはラベルなしパターンに設定されているステップ３と、
新型グラフアテンションメカニズムを提案するステップ４と、
その特徴は、１）それぞれユーザーノードと商人ノードのために独立したマッピング行列を定義し、マッピング行列を通じてこの２種類の異なる次元の固有ベクトルを同一次元にマッピングし、ユーザーノードと商人ノードの情報集約時の統一が実現されることと、２）グラフで定義された４種類の関係エッジに基づいて、マルチエッジアテンションのメカニズムを定義し、すなわち各関係エッジに独立したアテンション学習パラメータを導入することで、マルチ関係エッジの情報集約時の統一が実現されること、
具体的な操作は以下の通り、
１）まずは、４種類の関係エッジに基づいて、４セットの独立したアテンション学習パラメータを定義し、且つ学習パラメータを初期化し、
Ａ）ユーザーとユーザー間のデバイス関係エッジEdにより、共有線形マッピング行列Wdm*fとアテンション共有ベクトルad∈R2fを定義し、
Ｂ）ユーザーとユーザー間の支払関係エッジEpにより、共有線形マッピング行列Wpm*fとアテンション共有ベクトルap∈R2fを定義し、
Ｃ）ユーザーとユーザー間の社交関係エッジEsにより、共有線形マッピング行列Wsm*fとアテンション共有ベクトルas∈R2fを定義し、
Ｄ）ユーザーと商人間の取引関係エッジEtにより、ユーザーノードと商人ノードに独立した共有線形マッピング行列Wtcm*fとWtbl*fを定義し、ユーザ固有ベクトル空間と商人固有ベクトル空間を、ｍ次元とｌ次元から統一されたｆ次元のベクトル空間にマッピングするために使用され、共有アテンションベクトルをat∈R2fに定義し、
２）次は、グラフの各エッジのアテンション係数の計算を次の式で行い、
ａ）Ed関係エッジに基づくアテンション係数（次式）、
Figure 2023543128000005
ｂ）Ep関係エッジに基づくアテンション係数（次式）、
Figure 2023543128000006
ｃ）Es関係エッジに基づくアテンション係数（次式）、
Figure 2023543128000007
ｄ）Et関係エッジに基づくアテンション係数（次式）、
Figure 2023543128000008
上式において、記号∥はベクトルのモンタージュを表し、下付き文字i, jは、それぞれグラフにおけるある関係エッジに基づいて隣接する２つのノードを表し、hi又はhjは、該ノードが対応する固有ベクトルが前に生成されたユーザ特徴行列から取られたことを表し、Et関係のアテンション係数を計算する際、hiとhjの固有ベクトルは、一つがユーザー特徴行列から取られ、もう一つは商人特徴行列から取られ、
３）最後は、次の式により、情報集約計算を行い、
Figure 2023543128000009
上式において、記号Nd(i), Np(i), Ns(i), Nt(i)は、ノードｉがデバイス関係エッジ、支払関係エッジ、社交関係エッジ、取引関係エッジを介して接続された一次隣接をそれぞれ表し、
上記ステップ４における一連の処理をマルチエッジアテンションユニット（ＭｕｌｔｉＥｄｇｅＧＡＴ）と呼び、
上述のステップ４は、ある時点でグラフネットワークの空間的レベルでの情報集約を完了しただけであり、グラフネットワークの時間的な次元上の動的性を考慮すると、ネットワーク情報の時間的な次元上の伝達を完了しなければならない、本発明は、マルチチャンネルＧＲＵを用いて時間的な次元上でアテンションパラメータを伝達するメカニズム（マルチチャンネルＧＲＵユニット－ＭｕｌｔｉＧＲＵと呼ばれる）を提案し、空間的レベルのグラフアテンション情報集約メカニズム（マルチエッジアテンションユニット－ＭｕｌｔｉＥｄｇｅＧＡＴ）を結合し、動的アテンションユニットと呼ばれる新しい処理ユニットを形成したステップ５と、
具体的な操作は以下の通り、
１）グラフアテンションメカニズムは９つの学習すべきパラメータ、すなわち５つの共有線形マッピング行列と４つの共有アテンションベクトルを生成するため、ここでは、時間的な次元上にパラメータ情報の伝達するための９つの独立したＧＲＵユニットを必要とし、それぞれ線形マッピング行列を伝達するためのGRUwd, GRUwp, GRUws, GRUwtc, GRUwtbと、アテンションベクトルを伝達するためのGRUad, GRUap, GRUas, GRUatであり、これらのＧＲＵユニットのパラメータを初期化し、
２）ここで、ＧＲＵの伝達公式は以下の通り、
ＧＲＵユニットの内部構造は同じであるため、説明を簡単にするために、GRUwdを例として式（次式）に対して説明し、
Figure 2023543128000010
上記の式は、ｔ－１時刻のアテンションパラメータWdt-1がGRUwdを介して伝達することでｔ時刻のアテンションパラメータWdtに生成することが完了し、同じ理屈で同じ構造によって、他のＧＲＵを介してｔ－１時刻からｔ時刻の他の８つのアテンションパラメータWpt, Wst, Wtct, Wtbt, adt, apt, ast, attを生成し、上式において、次式で表す記号は、アダマール積であり、
Figure 2023543128000011
WRd, URd, BRd, Wzd, Uzd, Bzd, W～d, U～d, B～dはGRUwd自分で学習するパラメータであり、同じ理屈で他のＧＲＵにも似たようなパラメータを学習する必要があり、上記９つのＧＲＵユニットをまとめてマルチチャンネルＧＲＵユニットＭｕｌｔｉＧＲＵと呼び、
３）マルチエッジアテンションユニットとマルチチャンネルＧＲＵユニットをマージし、動的アテンションユニット（ＤｙｎａｍｉｃＧＡＴ）と呼ばれる新しい処理ユニットを形成しを生成し、マージ式は以下の通りであり、
式を簡略化し、表現しやすくするために、Wd, Wp, Ws, Wtc,Wtbこの５つのパラメータをWにマージし、ad, ap, as, atこの４つのパラメータをaにマージし、
Figure 2023543128000012
上記ステップ５は、時間軸上の１つの動的アテンションユニットの情報伝達と情報集約について述べ、ここで、各時点で空間的に多層に集約することが自然に可能である場合、上記動的アテンションユニットの式は以下に表すステップ６と、
Figure 2023543128000013
上記において、上付き文字lは、空間的な集約の層数を表し、ここで、１層の集約を追加するごとに、グラフにおけるノードの次の隣接情報をそのノードに「圧する」ことを意味し、多層隣接関係に含まれた情報をうまく利用し、これにより時間的な次元の情報伝達と空間的な次元の多層集約を含む、動的学習可能なグラフネットワークを構築し、
上述した動的アテンショングラフネットワークの最後の１層の最後の時刻の出力（次式）表現をＳｏｆｔｍａｘにより活性化してノードの裁定取引リスクを予測する確率Pにマッピングするステップ７と、
Figure 2023543128000014
上記のすべてのステップを１回の完全な学習イテレーションと呼び、学習イテレーションを行う場合は、分散データベースモジュールから必要な情報をサーバメモリに同期させ、且つ必要な学習パラメータを初期化してから、複数回の完全な学習イテレーションを行い、完全な学習イテレーションするたびにラベル付きノードVlabeledのみを対象にし、交差エントロピー誤差関数を用いて損失計算を行い、Ａｄａｍ最適化アルゴリズムを用いて勾配更新を行い、最後は、Ｎ回の完全な学習イテレーションを経て、動的アテンショングラフネットワークに必要なパラメータを学習し、動的アテンショングラフネットワークの学習を完了するステップ８と、
学習した動的アテンションネットワークをリスクマネジメント意思決定モジュールに配置し、オンラインにてマーケティング裁定取引リスク確率予測を行い、確率意思決定閾値P = σを設定し、予測したリスク確率がσより大きい場合、マーケティング裁定取引リスク群と判断し、後続のインターセプトなどの処理操作を行うステップ９。
従来技術と比較して、本発明の有益な効果は以下の通りであり、
本願は、動的アテンショングラフネットワークに基づくマーケティング裁定取引ネット暗黒産業の識別方法を提案し、それは以下の利点を有し、第一は、ユーザーノードと、商人ノードと、多次元関係と複数の時刻からなる新型動的グラフネットワーク構造を定義し、２）ユーザーノードと、商人ノードと、多次元関係の統一をより効果的に実現し、さらにノードの空間的構造の情報集約をより良く実現するために、新型マルチエッジアテンションユニットを設計し、３）グラフネットワークの時間動態性において、マルチチャンネルＧＲＵユニットを通じてアテンション情報を伝達する動的モードを設計し、グラフネットワークの時間軸上の発展情報も有効に伝達されるようになり、４）マルチエッジアテンションユニットとマルチチャンネルＧＲＵユニットを効果的にマージし、動的アテンションユニットという新しい処理ユニットを提案し、該ユニットを用いて構築された動的アテンショングラフネットワークにより、時間的な次元の情報を有効に伝達できるとともに、空間的な次元の多層隣接情報を効率的に集約することもできる。
本願に提案された手段により、リスク管理体制による裁定取引暗黒産業識別の全面性と正確性を大幅に向上させ、このシーンの問題をよりよく解決することができる。
図面は、本発明のさらなる理解を提供するためのものであり、本発明の実施形態とともに本発明を説明するための明細書の一部を構成するためのものであり、本発明の制限を構成するものではない。図面について、
本発明の本発明のグラフネットワーク構成を示す図である。 マルチチャンネルＧＲＵユニットの構造を示す図である。 動的アテンションユニットの構造を示す図である。 動的アテンショングラフネットワークの全体構造を示す図である。 本発明の実施フローチャートである。
以下、添付図面を用いて本発明の好適な実施形態を説明するが、ここで説明する好適な実施形態は本発明の説明及び説明にのみ用いられ、本発明を限定するために用いられるものではないことを理解すべきである。
（実施形態１）
図１－５に示すように、本発明は、以下のステップを含む動的アテンショングラフネットワークに基づくマーケティング裁定取引ネット暗黒産業の識別方法を提供し、
２種類のノード、４種類の関係エッジ、Ｔ個の時刻からなる動的グラフネットワーク構造を定義するステップ１と、
１）２種類のノードは、グラフネットワークに含まれるユーザーノードVcと商人ノードVbであり、
２）４種類の関係エッジはそれぞれ以下の通り、
A)ユーザーとユーザー間のデバイス関係エッジEd、
アクセスログにおける過去のある期間において、異なるユーザーがデバイスにアクセスしたＩＰに同一性が存在したことに基づいて、ユーザーノードとユーザーノード間のデバイス関係エッジが生成され、
B)ユーザーとユーザー間の支払関係エッジEp、
ビジネスシステムにおける過去のある期間において、ユーザーとユーザー間に、振替支払行動が存在したことに基づいて、ユーザーノードとユーザーノード間の支払関係エッジが生成され、
C)ユーザーとユーザー間の社交関係エッジEs、
ビジネスシステムにおける過去のある期間において、ユーザーとユーザーの間に、一方がマーケティング活動情報を共有し、且つ他方をそのマーケティング活動に成功に招待した行為に基づいて、ユーザーノードとユーザーノード間の社交関係エッジが生成され、
D)ユーザーと商人間の取引関係エッジEt、
ビジネスシステムにおける過去のある期間において、ユーザーが商人で取引の支払をした行為に基づいて、ユーザーノードと商人ノード間の取引関係エッジが生成され、
３）Ｔ個の時刻とは、
時間軸上でｔ０の時刻を初期とし、ωを間隔とし、連続するＴ個の時点を選択し、各時点において、一枚の上記２種類のノードと４種類の関係エッジからなる関係グラフネットワークが生成されるため、グラフネットワークの時間に伴うＴ個の時刻の変化を反映し、
グラフデータベースに、Ｔ個の時刻にＴ枚のネットワークグラフが生成されるステップ２と、
それぞれ、次式であり、
Figure 2023543128000015
各時点のユーザーセットVcをグラフデータベースモジュールから分散データベースモジュールにそれぞれ導入し、且つ各時点のユーザーごとにその属性を表すｍ次元の固有ベクトルを生成し、より良い識別効果を得るために、固有ベクトルの特徴領域は一般的な自然人の属性特徴を選択して構築してもよく、専門家の経験から抽出した統計的特徴を導入してもよい、例えば、過去にある期間にあるイベントにアクセスした回数など、これにより、各時点のユーザーセットVcに属性特徴行列（次式）を生成し、
Figure 2023543128000016
分散データベースモジュールにテーブルの形で格納し、下付き文字n0, n1,・・・は各時点におけるユーザーセットの数をそれぞれ表し、
上記通り、各時点の商人セットVbをグラフデータベースモジュールから分散データベースモジュールにそれぞれ導入し、各時点の商人ごとにその属性を表すｋ次元の固有ベクトルを生成することで、各時点の商人セットVbに属性特徴行列（次式）を生成し、
Figure 2023543128000017
分散データベースモジュールにテーブルの形で格納し、下付き文字l0, l1,・・・は各時点における商人セットの数をそれぞれ表し、
履歴の裁定取引ユーザーのポジ／ネガパターンに基づいて、各時点のユーザーセットVcにそれぞれラベルを付け、分散データベースモジュールにテーブルの形で格納し、ラベルを付けた後、ユーザーセットVcはラベル付き（Vlabeled）とラベルなし（Vunlabeled）の２種類のパターンになり、Vlabeledパターンは既知の裁定取引ユーザーパターンVlabeled=1と既知の非裁定取引ユーザーパターンVlabeled=0に分けられ、グラフネットワークにおけるすべての商人ノードはラベルなしパターンに設定されているステップ３と、
新型グラフアテンションメカニズムを提案するステップ４と、
その特徴は、１）それぞれユーザーノードと商人ノードのために独立したマッピング行列を定義し、マッピング行列を通じてこの２種類の異なる次元の固有ベクトルを同一次元にマッピングし、ユーザーノードと商人ノードの情報集約時の統一が実現されることと、２）グラフで定義された４種類の関係エッジに基づいて、マルチエッジアテンションのメカニズムを定義し、すなわち各関係エッジに独立したアテンション学習パラメータを導入することで、マルチ関係エッジの情報集約時の統一が実現されること、
具体的な操作は以下の通り、
１）まずは、４種類の関係エッジに基づいて、４セットの独立したアテンション学習パラメータを定義し、且つ学習パラメータを初期化し、
A)ユーザーとユーザー間のデバイス関係エッジEdにより、共有線形マッピング行列Wdm*fとアテンション共有ベクトルad∈R2fを定義し、
B)ユーザーとユーザー間の支払関係エッジEpにより、共有線形マッピング行列Wpm*fとアテンション共有ベクトルap∈R2fを定義し、
C)ユーザーとユーザー間の社交関係エッジEsにより、共有線形マッピング行列Wsm*fとアテンション共有ベクトルas∈R2fを定義し、
D)ユーザーと商人間の取引関係エッジEtにより、ユーザーノードと商人ノードに独立した共有線形マッピング行列Wtcm*fとWtbl*fを定義し、ユーザ固有ベクトル空間と商人固有ベクトル空間を、ｍ次元とｌ次元から統一されたｆ次元のベクトル空間にマッピングするために使用され、共有アテンションベクトルをat∈R2fに定義し、
２）次は、グラフの各エッジのアテンション係数の計算を次の式で行い、
ａ）Ed関係エッジに基づくアテンション係数（次式）、
Figure 2023543128000018
ｂ）Ep関係エッジに基づくアテンション係数（次式）、
Figure 2023543128000019
ｃ）Es関係エッジに基づくアテンション係数（次式）、
Figure 2023543128000020
ｄ）Et関係エッジに基づくアテンション係数（次式）、
Figure 2023543128000021
上式において、記号∥はベクトルのモンタージュを表し、下付き文字i, jは、それぞれグラフにおけるある関係エッジに基づいて隣接する２つのノードを表し、hi又はhjは、該ノードが対応する固有ベクトルが前に生成されたユーザ特徴行列から取られたことを表し、Et関係のアテンション係数を計算する際、hiとhjの固有ベクトルは、一つがユーザー特徴行列から取られ、もう一つは商人特徴行列から取られ、
３）最後は、次の式により、情報集約計算を行い、
Figure 2023543128000022
上式において、記号Nd(i) 、 Np(i) 、 Ns(i) 、 Nt(i)は、ノードｉがデバイス関係エッジ、支払関係エッジ、社交関係エッジ、取引関係エッジを介して接続された一次隣接をそれぞれ表し、
上記ステップ４における一連の処理をマルチエッジアテンションユニット（ＭｕｌｔｉＥｄｇｅＧＡＴ）と呼び、
上述のステップ４は、ある時点でグラフネットワークの空間的レベルでの情報集約を完了しただけであり、グラフネットワークの時間的な次元上の動的性を考慮すると、ネットワーク情報の時間的な次元上の伝達を完了しなければならない、本発明は、マルチチャンネルＧＲＵを用いて時間的な次元上でアテンションパラメータを伝達するメカニズム（マルチチャンネルＧＲＵユニット－ＭｕｌｔｉＧＲＵと呼ばれる）を提案し、空間的レベルのグラフアテンション情報集約メカニズム（マルチエッジアテンションユニット－ＭｕｌｔｉＥｄｇｅＧＡＴ）を結合し、動的アテンションユニットと呼ばれる新しい処理ユニットを形成したステップ５と、
具体的な操作は以下の通り、
１）グラフアテンションメカニズムは９つの学習すべきパラメータ、すなわち５つの共有線形マッピング行列と４つの共有アテンションベクトルを生成するため、ここでは、時間的な次元上にパラメータ情報の伝達するための９つの独立したＧＲＵユニットを必要とし、それぞれ線形マッピング行列を伝達するためのGRUwd, GRUwp, GRUws, GRUwtc, GRUwtbと、アテンションベクトルを伝達するためのGRUad, GRUap, GRUas, GRUatであり、これらのＧＲＵユニットのパラメータを初期化し、
２）ここで、ＧＲＵの伝達公式は以下の通り、
ＧＲＵユニットの内部構造は同じであるため、説明を簡単にするために、GRUwdを例として式に対して説明し、
Figure 2023543128000023
上記の式は、ｔ－１時刻のアテンションパラメータWdt-1がGRUwdを介して伝達することでｔ時刻のアテンションパラメータWdtに生成することが完了し、同じ理屈で同じ構造によって、他のＧＲＵを介してｔ－１時刻からｔ時刻の他の８つのアテンションパラメータWpt, Wst, Wtct, Wtbt, adt, apt, ast, attを生成し、上式において、次式に表す記号はアダマール積を表し、
Figure 2023543128000024
WRd, URd, BRd, Wzd, Uzd, Bzd, W～d, U～d, B～dはGRUwd自分で学習するパラメータであり、同じ理屈で他のＧＲＵにも似たようなパラメータを学習する必要があり、上記９つのＧＲＵユニットをまとめてマルチチャンネルＧＲＵユニットＭｕｌｔｉＧＲＵと呼び、
３）マルチエッジアテンションユニットとマルチチャンネルＧＲＵユニットをマージし、動的アテンションユニット（ＤｙｎａｍｉｃＧＡＴ）と呼ばれる新しい処理ユニットを形成しを生成し、マージ式は以下の通りであり、
式を簡略化し、表現しやすくするために、Wd, Wp, Ws, Wtc, Wtbこの５つのパラメータをWにマージし、ad, ap, as, atこの４つのパラメータをaにマージし、
Figure 2023543128000025
上記ステップ５は、時間軸上の１つの動的アテンションユニットの情報伝達と情報集約について述べ、ここで、各時点で空間的に多層に集約することが自然に可能である場合、上記動的アテンションユニットの式は以下に表すステップ６と、
Figure 2023543128000026
上記において、上付き文字lは、空間的な集約の層数を表し、ここで、１層の集約を追加するごとに、グラフにおけるノードの次の隣接情報をそのノードに「圧する」ことを意味し、多層隣接関係に含まれた情報をうまく利用し、これにより時間的な次元の情報伝達と空間的な次元の多層集約を含む、動的学習可能なグラフネットワークを構築し、
上述した動的アテンショングラフネットワークの最後の１層の最後の時刻の出力（次式）表現をＳｏｆｔｍａｘにより活性化してノードの裁定取引リスクを予測する確率Pにマッピングするステップ７と、
Figure 2023543128000027
上記のすべてのステップを１回の完全な学習イテレーションと呼び、学習イテレーションを行う場合は、分散データベースモジュールから必要な情報をサーバメモリに同期させ、且つ必要な学習パラメータを初期化してから、複数回の完全な学習イテレーションを行い、完全な学習イテレーションするたびにラベル付きノードVlabeledのみを対象にし、交差エントロピー誤差関数を用いて損失計算を行い、Ａｄａｍ最適化アルゴリズムを用いて勾配更新を行い、最後は、Ｎ回の完全な学習イテレーションを経て、動的アテンショングラフネットワークに必要なパラメータを学習し、動的アテンショングラフネットワークの学習を完了するステップ８と、
学習した動的アテンションネットワークをリスクマネジメント意思決定モジュールに配置し、オンラインにてマーケティング裁定取引リスク確率予測を行い、確率意思決定閾値P = σを設定し、予測したリスク確率がσより大きい場合、マーケティング裁定取引リスク群と判断し、後続のインターセプトなどの処理操作を行うステップ９。
具体的には、以下のように例示し、
１、ユーザノード属性固有ベクトル、経験値m = 256
２、商人ノード属性固有ベクトル、経験値l = 128
３、Ｔ個の時刻、T値T = 10
４、ラベル付きVlabeledとラベルなしVunlabeledの2種類のパターン比例（次式）
Figure 2023543128000028
５、空間的な集約層レベル（L）、値の取る範囲は、｛L｜2≦L≦3, L∈Z｝
６、予測認識時の意思決定閾値σの値はσ = 0.5。
本発明の技術的な手段は以下の通りであり、
本願は、動的アテンショングラフネットワークに基づくマーケティング裁定取引ネット暗黒産業の識別方法を提案し、それは以下の利点を有し、第一は、ユーザーノードと、商人ノードと、多次元関係と複数の時刻からなる新型動的グラフネットワーク構造を定義し、２）ユーザーノードと、商人ノードと、多次元関係の統一をより効果的に実現し、さらにノードの空間的構造の情報集約をより良く実現するために、新型マルチエッジアテンションユニットを設計し、３）グラフネットワークの時間動態性において、マルチチャンネルＧＲＵユニットを通じてアテンション情報を伝達する動的モードを設計し、グラフネットワークの時間軸上の発展情報も有効に伝達されるようになり、４）マルチエッジアテンションユニットとマルチチャンネルＧＲＵユニットを効果的にマージし、動的アテンションユニットという新しい処理ユニットを提案し、該ユニットを用いて構築された動的アテンショングラフネットワークにより、時間的な次元の情報を有効に伝達できるとともに、空間的な次元の多層隣接情報を効率的に集約することもできる。
最後に、上述は本発明の好適な実施形態にすぎず、本発明を限定するためには使用されないが、上述の実施形態を参照して本発明を詳細に説明したが、当業者にとっては、上述の各実施形態に記載された技術的態様を修正したり、技術的特徴の一部を同等に置き換えたりすることができる。本発明の精神と原則の中で、行ったいかなる修正、等価置換、改良などは、本発明の保護範囲に含まれるべきである。

Claims (1)

  1. 以下のステップを含むことを特徴とする動的アテンショングラフネットワークに基づくマーケティング裁定取引ネット暗黒産業の識別方法。
    ２種類のノード、４種類の関係エッジ、Ｔ個の時刻からなる動的グラフネットワーク構造を定義するステップ１と、
    １）２種類のノードは、グラフネットワークに含まれるユーザーノードVcと商人ノードVbであり、
    ２）４種類の関係エッジはそれぞれ以下の通り、
    A)ユーザーとユーザー間のデバイス関係エッジEd、
    アクセスログにおける過去のある期間において、異なるユーザーがデバイスにアクセスしたＩＰに同一性が存在したことに基づいて、ユーザーノードとユーザーノード間のデバイス関係エッジが生成され、
    B)ユーザーとユーザー間の支払関係エッジEp、
    ビジネスシステムにおける過去のある期間において、ユーザーとユーザー間に、振替支払行動が存在したことに基づいて、ユーザーノードとユーザーノード間の支払関係エッジが生成され、
    C)ユーザーとユーザー間の社交関係エッジEs、
    ビジネスシステムにおける過去のある期間において、ユーザーとユーザーの間に、一方がマーケティング活動情報を共有し、且つ他方をそのマーケティング活動に成功に招待した行為に基づいて、ユーザーノードとユーザーノード間の社交関係エッジが生成され、
    D)ユーザーと商人間の取引関係エッジEt、
    ビジネスシステムにおける過去のある期間において、ユーザーが商人で取引の支払をした行為に基づいて、ユーザーノードと商人ノード間の取引関係エッジが生成され、
    ３）Ｔ個の時刻とは、
    時間軸上でｔ０の時刻を初期とし、ωを間隔とし、連続するＴ個の時点を選択し、各時点において、一枚の上記２種類のノードと４種類の関係エッジからなる関係グラフネットワークが生成されるため、グラフネットワークの時間に伴うＴ個の時刻の変化を反映し、
    グラフデータベースに、Ｔ個の時刻にＴ枚のネットワークグラフが生成されるステップ２と、
    それぞれ、
    Figure 2023543128000029
     であり、各時点のユーザーセットVcをグラフデータベースモジュールから分散データベースモジュールにそれぞれ導入し、且つ各時点のユーザーごとにその属性を表すｍ次元の固有ベクトルを生成し、より良い識別効果を得るために、固有ベクトルの特徴領域は一般的な自然人の属性特徴を選択して構築してもよく、専門家の経験から抽出した統計的特徴を導入してもよい、例えば、過去にある期間にあるイベントにアクセスした回数など、これにより、各時点のユーザーセットVcに属性特徴行列
    Figure 2023543128000030
     を生成し、分散データベースモジュールにテーブルの形で格納し、下付き文字n0, n1,・・・は各時点におけるユーザーセットの数をそれぞれ表し、
    同じ理屈で、各時点の商人セットVbをグラフデータベースモジュールから分散データベースモジュールにそれぞれ導入し、各時点の商人ごとにその属性を表すｋ次元の固有ベクトルを生成することで、各時点の商人セットVbに属性特徴行列
    Figure 2023543128000031
     を生成し、分散データベースモジュールにテーブルの形で格納し、下付き文字l0, l1,・・・は各時点における商人セットの数をそれぞれ表し、
    履歴の裁定取引ユーザーのポジ／ネガパターンに基づいて、各時点のユーザーセットVcにそれぞれラベルを付け、分散データベースモジュールにテーブルの形で格納し、ラベルを付けた後、ユーザーセットVcはラベル付き（Vlabeled）とラベルなし（Vunlabeled）の２種類のパターンになり、Vlabeledパターンは既知の裁定取引ユーザーパターンVlabeled=1と既知の非裁定取引ユーザーパターンVlabeled=0に分けられ、グラフネットワークにおけるすべての商人ノードはラベルなしパターンに設定されているステップ３と、
    新型グラフアテンションメカニズムを提案するステップ４と、
    その特徴は、１）それぞれユーザーノードと商人ノードのために独立したマッピング行列を定義し、マッピング行列を通じてこの２種類の異なる次元の固有ベクトルを同一次元にマッピングし、ユーザーノードと商人ノードの情報集約時の統一が実現されることと、２）グラフで定義された４種類の関係エッジに基づいて、マルチエッジアテンションのメカニズムを定義し、すなわち各関係エッジに独立したアテンション学習パラメータを導入することで、マルチ関係エッジの情報集約時の統一が実現されること、
    具体的な操作は以下の通り、
    １）まずは、４種類の関係エッジに基づいて、４セットの独立したアテンション学習パラメータを定義し、且つ学習パラメータを初期化し、
    A)ユーザーとユーザー間のデバイス関係エッジEdにより、共有線形マッピング行列Wdm*fとアテンション共有ベクトルad∈R2fを定義し、
    B)ユーザーとユーザー間の支払関係エッジEpにより、共有線形マッピング行列Wpm*fとアテンション共有ベクトルap∈R2fを定義し、
    C)ユーザーとユーザー間の社交関係エッジEsにより、共有線形マッピング行列Wsm*fとアテンション共有ベクトルas∈R2fを定義し、
    D)ユーザーと商人間の取引関係エッジEtにより、ユーザーノードと商人ノードに独立した共有線形マッピング行列Wtcm*fとWtbl*fを定義し、ユーザ固有ベクトル空間と商人固有ベクトル空間を、ｍ次元とｌ次元から統一されたｆ次元のベクトル空間にマッピングするために使用され、共有アテンションベクトルをat∈R2fに定義し、
    ２）次は、グラフの各エッジのアテンション係数の計算を次の式で行い、
    ａ）Ed関係エッジに基づくアテンション係数、
    Figure 2023543128000032
     ｂ）Ep関係エッジに基づくアテンション係数、
    Figure 2023543128000033
     ｃ）Es関係エッジに基づくアテンション係数、
    Figure 2023543128000034
     ｄ）Et関係エッジに基づくアテンション係数、
    Figure 2023543128000035
     上式において、記号∥はベクトルのモンタージュを表し、下付き文字i,jは、それぞれグラフにおけるある関係エッジに基づいて隣接する２つのノードを表し、hi又はhjは、該ノードが対応する固有ベクトルが前に生成されたユーザ特徴行列から取られたことを表し、Et関係のアテンション係数を計算する際、hiとhjの固有ベクトルは、一つがユーザー特徴行列から取られ、もう一つは商人特徴行列から取られ、
    ３）最後は、次の式により、情報集約計算を行い、
    Figure 2023543128000036
     上式において、記号Nd(i) 、 Np(i) 、 Ns(i) 、 Nt(i)は、ノードｉがデバイス関係エッジ、支払関係エッジ、社交関係エッジ、取引関係エッジを介して接続された一次隣接をそれぞれ表し、
    上記ステップ４における一連の処理をマルチエッジアテンションユニット（ＭｕｌｔｉＥｄｇｅＧＡＴ）と呼び、
    上述のステップ４は、ある時点でグラフネットワークの空間的レベルでの情報集約を完了しただけであり、グラフネットワークの時間的な次元上の動的性を考慮すると、ネットワーク情報の時間的な次元上の伝達を完了しなければならない、本発明は、マルチチャンネルＧＲＵを用いて時間的な次元上でアテンションパラメータを伝達するメカニズム（マルチチャンネルＧＲＵユニット－ＭｕｌｔｉＧＲＵと呼ばれる）を提案し、空間的レベルのグラフアテンション情報集約メカニズム（マルチエッジアテンションユニット－ＭｕｌｔｉＥｄｇｅＧＡＴ）を結合し、動的アテンションユニットと呼ばれる新しい処理ユニットを形成したステップ５と、
    具体的な操作は以下の通り、
    １）グラフアテンションメカニズムは９つの学習すべきパラメータ、すなわち５つの共有線形マッピング行列と４つの共有アテンションベクトルを生成するため、ここでは、時間的な次元上にパラメータ情報の伝達するための９つの独立したＧＲＵユニットを必要とし、それぞれ線形マッピング行列を伝達するためのGRUwd, GRUwp, GRUws, GRUwtc, GRUwtbと、アテンションベクトルを伝達するためのGRUad, GRUap, GRUas, GRUatであり、これらのＧＲＵユニットのパラメータを初期化し、
    ２）ここで、ＧＲＵの伝達公式は以下の通り、
    ＧＲＵユニットの内部構造は同じであるため、説明を簡単にするために、GRUwdを例として式に対して説明し、
    Figure 2023543128000037
     上記の式は、ｔ－１時刻のアテンションパラメータWdt-1がGRUWdを介して伝達することでｔ時刻のアテンションパラメータWdtに生成することが完了し、同じ理屈で同じ構造によって、他のＧＲＵを介してｔ－１時刻からｔ時刻の他の８つのアテンションパラメータWpt, Wst, Wtct, Wtbt, adt, apt, ast, attを生成し、上式において、次式に表す記号はアダマール積を表し、
    Figure 2023543128000038
    WRd, URd, BRd, Wzd, Uzd, Bzd, W～d, U～d, B～dはGRUwd自分で学習するパラメータであり、同じ理屈で他のＧＲＵにも似たようなパラメータを学習する必要があり、上記９つのＧＲＵユニットをまとめてマルチチャンネルＧＲＵユニットＭｕｌｔｉＧＲＵと呼び、
    ３）マルチエッジアテンションユニットとマルチチャンネルＧＲＵユニットをマージし、動的アテンションユニット（ＤｙｎａｍｉｃＧＡＴ）と呼ばれる新しい処理ユニットを形成しを生成し、マージ式は以下の通りであり、
    式を簡略化し、表現しやすくするために、Wd, Wp, Ws, Wtc, Wtbこの５つのパラメータをWにマージし、ad, ap, as, atこの４つのパラメータをaにマージし、
    Figure 2023543128000039
     上記ステップ５は、時間軸上の１つの動的アテンションユニットの情報伝達と情報集約について述べ、ここで、各時点で空間的に多層に集約することが自然に可能である場合、上記動的アテンションユニットの式は以下に表すステップ６と、
    Figure 2023543128000040
     上記において、上付き文字lは、空間的な集約の層数を表し、ここで、１層の集約を追加するごとに、グラフにおけるノードの次の隣接情報をそのノードに「圧する」ことを意味し、多層隣接関係に含まれた情報をうまく利用し、これにより時間的な次元の情報伝達と空間的な次元の多層集約を含む、動的学習可能なグラフネットワークを構築し、
    上述した動的アテンショングラフネットワークの最後の１層の最後の時刻の出力（次式）
    Figure 2023543128000041
     表現をＳｏｆｔｍａｘにより活性化してノードの裁定取引リスクを予測する確率Pにマッピングするステップ７と、
    上記のすべてのステップを１回の完全な学習イテレーションと呼び、学習イテレーションを行う場合は、分散データベースモジュールから必要な情報をサーバメモリに同期させ、且つ必要な学習パラメータを初期化してから、複数回の完全な学習イテレーションを行い、完全な学習イテレーションするたびにラベル付きノードVlabeledのみを対象にし、交差エントロピー誤差関数を用いて損失計算を行い、Ａｄａｍ最適化アルゴリズムを用いて勾配更新を行い、最後は、Ｎ回の完全な学習イテレーションを経て、動的アテンショングラフネットワークに必要なパラメータを学習し、動的アテンショングラフネットワークの学習を完了するステップ８と、
    学習した動的アテンションネットワークをリスクマネジメント意思決定モジュールに配置し、オンラインにてマーケティング裁定取引リスク確率予測を行い、確率意思決定閾値P = σを設定し、予測したリスク確率がσより大きい場合、マーケティング裁定取引リスク群と判断し、後続のインターセプトなどの処理操作を行うステップ９。
JP2023513542A 2021-09-06 2021-12-30 動的アテンショングラフネットワークに基づくマーケティング裁定取引ネット暗黒産業の識別方法 Pending JP2023543128A (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN202111040219.0A CN113919862A (zh) 2021-09-06 2021-09-06 一种基于动态注意力图网络的营销套利黑产的识别方法
CN202111040219.0 2021-09-06
PCT/CN2021/142967 WO2023029324A1 (zh) 2021-09-06 2021-12-30 一种基于动态注意力图网络的营销套利黑产的识别方法

Publications (1)

Publication Number Publication Date
JP2023543128A true JP2023543128A (ja) 2023-10-13

Family

ID=79234169

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2023513542A Pending JP2023543128A (ja) 2021-09-06 2021-12-30 動的アテンショングラフネットワークに基づくマーケティング裁定取引ネット暗黒産業の識別方法

Country Status (3)

Country Link
JP (1) JP2023543128A (ja)
CN (1) CN113919862A (ja)
WO (1) WO2023029324A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116821451B (zh) * 2023-06-19 2024-03-22 苏州浩海医疗科技有限公司 一种基于全生命周期的用户管理系统和方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109934706B (zh) * 2017-12-15 2021-10-29 创新先进技术有限公司 一种基于图结构模型的交易风险控制方法、装置以及设备
US10824949B2 (en) * 2018-09-27 2020-11-03 Babylon Partners Limited Method and system for extracting information from graphs
CN111260462B (zh) * 2020-01-16 2022-05-27 东华大学 一种基于异质关系网络注意力机制的交易欺诈检测方法
CN112435034A (zh) * 2020-12-01 2021-03-02 天翼电子商务有限公司 一种基于多网络图聚合的营销套利黑产的识别方法
CN112381547A (zh) * 2020-12-02 2021-02-19 天翼电子商务有限公司 一种基于异构图卷积神经网络的营销作弊监测方法

Also Published As

Publication number Publication date
WO2023029324A1 (zh) 2023-03-09
CN113919862A (zh) 2022-01-11

Similar Documents

Publication Publication Date Title
AbdulRahman et al. A survey on federated learning: The journey from centralized to distributed on-site learning and beyond
CN112766500B (zh) 图神经网络的训练方法及装置
Liu et al. Fedbcd: A communication-efficient collaborative learning framework for distributed features
Qi et al. Model aggregation techniques in federated learning: A comprehensive survey
Liang et al. Survey of graph neural networks and applications
He et al. MTAD‐TF: Multivariate Time Series Anomaly Detection Using the Combination of Temporal Pattern and Feature Pattern
CN111008335B (zh) 一种信息处理方法、装置、设备及存储介质
Qiu et al. An adaptive social spammer detection model with semi-supervised broad learning
Jiang et al. Distributed deep learning optimized system over the cloud and smart phone devices
Liu et al. P2P traffic identification and optimization using fuzzy c-means clustering
JP2023543128A (ja) 動的アテンショングラフネットワークに基づくマーケティング裁定取引ネット暗黒産業の識別方法
Zhuang et al. Deperturbation of online social networks via bayesian label transition
CN112435034A (zh) 一种基于多网络图聚合的营销套利黑产的识别方法
Davis et al. Learning a scalable algorithm for improving betweenness in the lightning network
Sahu et al. Matrix factorization in cross-domain recommendations framework by shared users latent factors
CN117078259A (zh) 基于图随机神经网络的跨链异常交易检测方法及系统
CN117272195A (zh) 基于图卷积注意力网络的区块链异常节点检测方法及系统
CN115470520A (zh) 一种在垂直联邦框架下的差分隐私及去噪的数据保护方法
Luo et al. DeepAttr: Inferring demographic attributes via social network embedding
Xiao et al. Explainable fraud detection for few labeled time series data
Jamil et al. Technological innovation capability evaluation of high-tech firms using conjunctive and disjunctive belief rule-based expert system: a comparative study
Banerjee et al. Decision making in assessment of RRAP of WSN using fuzzy-hybrid approach
Parameswari et al. Hybrid rat swarm hunter prey optimization trained deep learning for network intrusion detection using CNN features
Yin et al. Adaptive graph convolutional networks based on decouple and residuals to relieve over-smoothing
Karim et al. Scalable Semi-Supervised Graph Learning Techniques for Anti Money Laundering

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230222

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20240105

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20240328

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20240516