Название статьи:
Графовые нейронные сети в задачах продленной аутентификации групповых профилей социальных сетей
Авторы: Лунева Е.Е., кандидат технических наук, доцент, докторант, кафедра комплексной информационной безопасности электронно-вычислительных систем, https://orcid.org/0000-0001-6734-4359, SPIN-код: 5591-7812, AuthorID РИНЦ: 698883, Томский государственный университет систем управления и радиоэлектроники, г. Томск, Российская Федерация,
luneva@tusur.ru,
Банокин П.И., младший научный сотрудник, Научно-инжиниринговый центр «Интеллектуальные системы доверенного взаимодействия», Томский государственный университет систем управления и радиоэлектроники, г. Томск, Российская Федерация,
bpi@fb.tusur.ru Для цитирования:
Лунева Е.Е. Графовые нейронные сети в задачах продленной аутентификации групповых профилей социальных сетей / Е.Е. Лунева, П.И. Банокин. — DOI 10.17150/2713-1734.2024.6(3).300-311. — EDN LAQQHA // System Analysis & Mathematical Modeling. — 2024. — Т. 6, № 3. — С. 300–311.
В рубрике:
МАТЕМАТИЧЕСКИЕ НАУКИ
Год: 2024 Том: 6 Номер журнала: 3
Страницы: 300-311
Тип статьи: Научная статья
УДК: 004.032.26
DOI: 10.17150/2713-1734.2024.6(3).300-311
Аннотация:
В настоящее время бизнес-процессы многих организаций связаны с необходимостью взаимодействия с групповыми профилями социальных сетей и обработки предоставляемых ими данных. На основе информации из социальных сетей могут проводится маркетинговые, социологические исследования и различные виды анализа информации, связанные с продуктом, услугами, событиями. Актуальной, в этой связи, становятся методы продленной аутентификации, применяемые в течение пользовательской сессии и позволяющие определить подлинность пользователя на основе поведенческих данных. В данной работе проведен экспериментальный анализ данных, собранных из различных групповых профилей социальной сети, в ходе которого по текстовым данным строится гомогенный граф, каждый узел которого снабжен признаковым описанием, оценивается эффективность метода DOMINANT (Deep Anomaly Detection on Attributed Networks) с использованием графовой нейронной сети для задачи продленной аутентификации.
Ключевые слова: графовая нейронная сеть, продленная аутентификация, социальная сеть, обнаружение аномалий и выбросов, автоэнкодер, ошибка реконструкции
Информация о статье: Дата поступления: 5 июня 2024; дата принятия к публикации: 1 октября 2024 г.; дата онлайн-размещения: 17 октября 2024 г.
Список цитируемой литературы: - Hamilton W.L. Graph Representation Learning / W.L. Hamilton. - Springer, 2020. - 159 p.
- Современное состояние финансов и тренды, определяющие их развитие / М.А. Авдюшина, А.Даваасурэн, Е.В. Агеева [и др.]. - Иркутск : Изд-во БГУ, 2023. - 420 с. - EDN QJAFBU.
- Harary F. Graph Theory / F. Harary. - Reading, Massachusetts : Addison-Wesley Publishing Company, 1969. - 308 p.
- Perozzi B. DeepWalk: Online learning of Social Representations / B. Perozzi, R. Al-Rfou, S. Skiena // Proceedings of the 20th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. - New York, 2014. - P. 701-710.
- Grover A. Scalable Feature Learning for Networks / A. Grover, J. Leskovec // KDD '16: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. - New York, 2016. - P. 855-864.
- LINE: Large-scale Information Network Embedding / J. Tang, M. Qu, M. Wang [et al.] // Proceedings of the 24th International Conference on World Wide WebMay. - Geneva, 2015. - P. 1067-1077.
- A Comprehensive Survey on Graph Anomaly Detection with Deep Learning / X. Ma, J. Wu, S. Xue, J. Yang // IEEE Transactions on Knowledge and Data Engineering. - 2023. - No. 35(12). - P. 12012-12038.
- Deep Anomaly Detection on Attributed Networks / K. Ding, J. Li, R. Bhanushali, H. Liu // Proc. SIAM Int. Conf. Data Mining. - Philadelphia, PA: Society for Industrial and Applied Mathematics, 2019. - P. 594-602.
- A Deep Multi-View Framework for Anomaly Detection on Attributed Networks / Z. Peng, M. Luo, J. Li [et al.] // IEEE Trans. Knowl. Data Eng. - 2020. - No. 34(6). - С. 2539-2552.
- Fdgars: Fraudster Detection via Graph Convolutional Networks in Online App Review System / J. Wang, R. Wen, C. Wu [et al.] // Companion Proceedings of the 2019 World Wide Web Conference. - New York, 2019. - P. 310-316.
- ResGCN: Attention-Based Deep Residual Modeling for Anomaly Detection on Attributed Networks / Y. Pei, T. Huang, W. Ipenburg, M. Pechenizkiy // Machine Learning. - 2022. - No. 111. - P. 519-541.
- Deep Anomaly Detection on Attributed Networks / K. Ding, J. Li, R. Bhanushali, H. Liu. - DOI 10.1137/1.9781611975673.67 // Proceedings of the 2019 SIAM International Conference on Data Mining. - Philadelphia, PA, 2019. - P. 594-602.
- Zhao L. On Using Classification Datasets to Evaluate Graph Outlier Detection: Peculiar Observations and New Insights / L. Zhao, L. Akoglu // Big Data. - 2023. - No. 3. - С. 151-180.
- Deep One-Class Classification / L. Ruff, R.A. Vandermeulen, N. Görnitz, L. Görnitz // Proceedings of the 35th International Conference on Machine Learning. PMLR, 2018. - P. 4393-4402.
- Ding K. Interactive Anomaly Detection on Attributed Networks / K. Ding, J. Li, H. Liu // Proceedings of the Twelfth ACM International Conference on Web Search and Data Mining. - New York, 2019. - P. 357-365.
- Conditional Anomaly Detection / X. Song, M. Wu, C. Jermaine, S. Ranka // IEEE Transactions on Knowledge and Data Engineering. - 2007. - No. 19(5). - С. 631-645.
- BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding / J. Devlin, M. Chang, K. Lee, K. Toutanova // Proceedings of NAACL-HLT 2019, Minneapolis, Minnesota, June 2, 2019. - Minneapolis, Minnesota, 2019. - P. 4171-4186.
- Reimers N. Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks / N. Reimers, I. Gurevych // Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing. - Hong Kong, 2019. - P. 3982-3992.