동적 네트워크에서 가짜 리뷰어 그룹 탐지: 적응형 그래프 학습 방법

Detecting Fake Reviewer Groups in Dynamic Networks: An Adaptive Graph Learning Method

온라인 플랫폼에서 가짜 리뷰는 소비자의 신뢰를 저해하고 공정한 경쟁을 방해합니다. 이러한 가짜 리뷰는 종종 조직적인 그룹에 의해 생성되며, 특히 데이터가 부족한 신규 제품의 경우, 기존 탐지 방법을 회피하는 정교한 전략을 사용합니다. 이러한 문제를 해결하기 위해, 본 연구에서는 제품, 리뷰, 리뷰어 간의 관계를 모델링하는 제품-리뷰-리뷰어 네트워크를 기반으로 가짜 리뷰어 그룹을 탐지하는 새로운 그래프 학습 모델인 Diversity- and Similarity-aware Dynamic Graph Attention-enhanced Graph Convolutional Network (DS-DGA-GCN)을 제안합니다. DS-DGA-GCN은 Network Feature Scoring (NFS) 시스템과 새로운 동적 그래프 어텐션 메커니즘을 통합하여 강력하고 적응적인 탐지를 가능하게 합니다. NFS 시스템은 이웃 다양성, 네트워크 자기 유사성 등 네트워크 속성을 통합된 특징 점수로 정량화합니다. 또한, 동적 그래프 어텐션 메커니즘은 시간 정보, 노드 중요성 및 전체 네트워크 구조와 관련된 특징을 포착하여 적응성과 계산 효율성을 향상시킵니다. Amazon과 Xiaohongshu에서 수집된 두 개의 실제 데이터셋에 대한 광범위한 실험 결과, DS-DGA-GCN이 최첨단 기준 모델보다 현저히 우수한 성능을 보였으며, 각각 최대 89.8% 및 88.3%의 정확도를 달성했습니다.

The proliferation of fake reviews, often produced by organized groups, undermines consumer trust and fair competition on online platforms. These groups employ sophisticated strategies that evade traditional detection methods, particularly in cold-start scenarios involving newly launched products with sparse data. To address this, we propose the \underline{D}iversity- and \underline{S}imilarity-aware \underline{D}ynamic \underline{G}raph \underline{A}ttention-enhanced \underline{G}raph \underline{C}onvolutional \underline{N}etwork (DS-DGA-GCN), a new graph learning model for detecting fake reviewer groups. DS-DGA-GCN achieves robust detection since it focuses on the joint relationships among products, reviews, and reviewers by modeling product-review-reviewer networks. DS-DGA-GCN also achieves adaptive detection by integrating a Network Feature Scoring (NFS) system and a new dynamic graph attention mechanism. The NFS system quantifies network attributes, including neighbor diversity, network self-similarity, as a unified feature score. The dynamic graph attention mechanism improves the adaptability and computational efficiency by captures features related to temporal information, node importance, and global network structure. Extensive experiments conducted on two real-world datasets derived from Amazon and Xiaohongshu demonstrate that DS-DGA-GCN significantly outperforms state-of-the-art baselines, achieving accuracies of up to \textbf{89.8\% and 88.3\%}, respectively.