一起养成写作习惯！这是我参与「掘金日新计划 · 4 月更文挑战」的第14天，点击查看活动详情
Hello，非常感谢你的关注~ 我是机器学习与风控，一名末流985的本硕，无顶会、无大厂核心部门实习，拥有多个比赛的竞赛经历，秋招刷了leetcode500题，在秋招提前批中收获字节跳动，腾讯，阿里，美团等大厂offer，最终选择入职字节风控，从事与黑产对抗的工作。我会定期分享我的春招、秋招亲身求职体验；算法岗日常工作；数据挖掘比赛，经典图模型等日常学习等有料也有趣的内容~秋招到了，欢迎各位私信找我内推！！！部门缺少开发，算法等岗位验证缺人。
intention-aware Heterogeneous Graph Attention Networks for Fraud Transactions Detection
动机：
大多数现有的方法把每笔交易作为一个独立的数据实例，而没有考虑交易级别的交互，逻辑理论设备等交互。本文考虑序列级别的关注以及交易关注。
方法：
- 从 顺序的行为中提取出意图，构造出节点和新的图。
图中包含2类节点2类边。
交易节点和兴趣节点。
交易与交易的边（3天的属性共线关系），交易与兴趣的边（从属关系）。
\
- 特征初始化：
获得兴趣邻居，然后用lstm获得隐状态，最后一个时刻作为intention的表示。
- 兴趣 感知的异构注意力网络
考虑了不同intention的顺序关系以及相互之间关系，然后对这些intention注意力聚合。
核心模型如下图
有意思的点：对于每笔交易，找到过去24小时的 行为产生兴趣，从而在整个数据集中有312种不同的行为名字。
数据集：
无代码 无数据
** kdd21 workshop Recurrent Graph Neural Networks for Rumor Detection in Online Forums**
在线论坛数据的谣言检测
动机：
1.缺少对在线论文的谣言检测。之前的一些虚假新闻检测有类似follow的信息，在线论坛无。
2.每个post会被一系列的人进行转载，是个级联的过程。
主要贡献：
- 利用特征学习和图神经网络构造了一个 graph数据
- 利用r-gnn去编码 转发的时序数据。
方法：
- 全局的用户用户交互图。把用户曾经共同评论的推文的角度构造有权图，这种边关系一定程度代表 朋友关系。 利用node2vec 获得节点的表示。！
- 以post为中心的以 用户转发构建的局部图。利用gcn获得整个图的表示作为推文的表示！缺陷是忽略了推文的特征阿！！
- rnn+gcn的序列编码。 针对一个特定的𝑚 in the UCI News Aggregator data ， 会有一个序列数据p1,p2,p3,p4... p是内容中嵌入该link的推文。
数据集：
UCI News
Aggregator Dataset
\
Hetero-SCAN: Towards Social Context Aware Fake News Detection via Heterogeneous Graph Neural Network
社交上下文的虚假新闻检测。 考虑到了社交上下文。
3类节点：用户，新闻，新闻发布者。4种类型边：引用，发表新闻，发表推特，关注。
\
模型结构：
- 特征转换到一个空间
- 基于元路径的实例编码。transe
- 基于元路径的实例汇聚。
- 不同元路径的语义注意力、
数据集：
