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20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。
www21 Pick and Choose: A GNN-based Imbalanced Learning Approach
for Fraud Detection
\
动机：
1.第一个挑战是冗余链路信息。例如垃圾邮件会雇佣正常的人发垃圾信息，从而使得这些正常人产生一些垃圾边（冗余）。垃圾人会隐藏其中
- 欺诈者之间会缺少边。
方法：
Pick: Label-balanced Sampler
根据数据中正负样本比例以及标签比例， 决定该节点 v被选择的概率，从而使得类别平衡。
Choose: Neighborhood Sampler
过采样 少类别的节点。
欠采样 多类别的节点。（节点间的距离小于p，这里的距离采用了一个新定义的距离函数，定义为标签之间的距离）
learniing:
\
数据集：
也可以看作欺诈评论检测。有代码和数据 。 节点分别是评论以及用户。
\
\
CIKM21 Prohibited Item Detection on Heterogeneous Risk Graphs
总结：
并提出了一种新的异质自监督的禁限售商品检测模型HSPD。
动机：
单纯的属性信息容易被伪装，所以用图结构。
监督信息过少！！ 并且禁售商品之间的标签粒度过大，直接当作相同的标签，去学习问题较大。
\
方案：
异构图的自监督模式：随机遮盖和节点的边，预测边的关系作为正例，用负采样生成无关的节点边 作为负例。
偏序成对自训练的监督增强：
构造成对的标签去训练，丰富监督信息，以更好地泛化，
\
自训练的 迭代 选取置信度高的数据打上新的标签 加入到训练集。
数据集：
无代码和数据
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
\
