Outline
Introdution
- 图是有效的抽象模型，可以建模诸如 社交网络，电影或者产品打分和评论，文章中的文本，医疗诊断，金融交易等等
- 如何将这些数据的价值发掘出来？正常的行为长成什么样子？例如，我们可以预测 Netflix 上的打分或者 Twitter 上的好友，并在 Facebook 上把丢失的信息补全
- 欺诈则是在上面若干平台上猖獗的现象 - 在 Yelp 上的欺诈评论，在 Twitter 上购买的用户，eBay 上的 夸大的信任，医疗欺诈，银行欺诈。这些行为降低了用户的满意度，操纵着我们的预测算法。所以，理解欺诈对模型所产生的影响并隔离和捕获这类异常行为非常重要。
Subgraph Analysis and Patterns
- 背景：图聚类和划分
- 局部搜索和图查询
- Co-clustering 和 交叉关联
- 正常行为：子图模式
- Ego-net
- 社交网络中的子图模式
- 子图对推荐的影响
- Co-clustering for 推荐：ACCAMS
- 异常行为：什么是异常或者欺诈子图？
- Ego-net 分析
- Attributed 子图：FOCUSCO SODA CODA
- 时序lockstep 行为：CopyCatch
- 图查询：火山口 和 黑洞 在静态图上，属性图上
- 使用 co-clustering 进行欺诈检测
- 使用图 cut 进行入侵检测
标签传播方法
- 随机游走和特征向量
- 背景
- 正常行为
- Belief and Label propagation
- 背景：什么是半监督学习？什么是 BP 和 LP？
- 正常行为：预测属性，为何某些人群是朋友？
- 异常行为：
- HITS 中的惊奇发现
- PageRank 的改版：TrustRank, SybilRank, CollusionRank, BadRank
- 使用 BP 进行 guilt-by-association
- Binary graphs: NetProbe
- Attributed graphs: fraudEagle
- Guilt-by-constellation
Latent factor models
- 背景：什么是SVD？
- 特征向量和HITS 的推广
- 为何latent factor models，如 SVD 对关系型数据有效？
- 这些 factor 一般表示什么概念？为什么这样？例如，通过 电影打分矩阵对用户进行分解就能得到分类，而用文档矩阵对词进行分解就得到话题。
- 正常行为
- 找出社团（binary matrices）：MMSB，overlapping communities
- 丢失数据和预测：SVD++，BPMF，CoBaFi
- 多模态数据：PARAFAC，张量分解
- Coupled factorization
- 异常行为：数据中出现欺诈怎么办？
- latent factor 中的惊奇模式：EigenSpokes，Get-the-scoop，FBox
- surprising group patterns in rating data: CoBaFi
- Surprising pattern in coupled factorization for heterogeneous graph
- Group anomalies: GLAD
展望
- 如何处理多种数据源和复杂数据
- 有了这些复杂的数据和方法，我们如何保证发现的欺诈的可解释性
