KDD 2015 Graph Based User Behavior Modeling

参考

Outline

Introdution

1. 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
2. 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
3. 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

1. 背景：图聚类和划分
2. 局部搜索和图查询
3. Co-clustering 和 交叉关联
4. 正常行为：子图模式
5. Ego-net
6. 社交网络中的子图模式
7. 子图对推荐的影响
8. Co-clustering for 推荐：ACCAMS
9. 异常行为：什么是异常或者欺诈子图？
10. Ego-net 分析
11. Attributed 子图：FOCUSCO SODA CODA
12. 时序lockstep 行为：CopyCatch
13. 图查询：火山口 和 黑洞 在静态图上，属性图上
14. 使用 co-clustering 进行欺诈检测
15. 使用图 cut 进行入侵检测

标签传播方法

1. 随机游走和特征向量
2. 背景
3. 正常行为
4. Belief and Label propagation
5. 背景：什么是半监督学习？什么是 BP 和 LP？
6. 正常行为：预测属性，为何某些人群是朋友？
7. 异常行为：
8. HITS 中的惊奇发现
9. PageRank 的改版：TrustRank, SybilRank, CollusionRank, BadRank
10. 使用 BP 进行 guilt-by-association
    1. Binary graphs: NetProbe
    2. Attributed graphs: fraudEagle
    3. Guilt-by-constellation

Latent factor models

1. 背景：什么是SVD？
2. 特征向量和HITS 的推广
3. 为何latent factor models，如 SVD 对关系型数据有效？
4. 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。
5. 正常行为
6. 找出社团（binary matrices）：MMSB，overlapping communities
7. 丢失数据和预测：SVD++，BPMF，CoBaFi
8. 多模态数据：PARAFAC，张量分解
9. Coupled factorization
10. 异常行为：数据中出现欺诈怎么办？
11. latent factor 中的惊奇模式：EigenSpokes，Get-the-scoop，FBox
12. surprising group patterns in rating data: CoBaFi
13. Surprising pattern in coupled factorization for heterogeneous graph
14. Group anomalies: GLAD

展望

1. 如何处理多种数据源和复杂数据
2. 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