13、机器学习中的图算法与无监督学习

机器学习中的图算法与无监督学习

图算法在欺诈检测中的应用

在网络分析中，我们常常需要对新加入网络的节点进行分类，判断其是否涉及欺诈行为。假设我们向一个已有的社交网络中添加了一个新节点 q，在没有关于该节点的先验信息的情况下，我们可以使用两种方法对其进行分类：
1. 简单欺诈分析方法 ：此方法基于这样的假设，即在网络中，一个人的行为会受到与其相连的人的影响。如果两个节点相互关联，那么它们更有可能具有相似的行为。
- 具体操作步骤如下：
- 若要计算节点 q 属于欺诈类别 F 的概率 P(F/q)，使用公式：
[P(F|q) = \frac{1}{degree_q} \sum_{n_j \in Neighborhood_q | class(n_j)=F} w(n, n_j) DOS_{normalized}(n_j)]
- 其中，Neighborhood_q 表示节点 q 的邻域，w(n, n_j) 表示节点 n 与 n_j 之间连接的权重，DOS_normalized 是归一化后的怀疑度值（范围在 0 到 1 之间），degree_q 是节点 q 的度。
- 例如，在某个具体网络中计算得到 (P(F|q) = \frac{1 + 1}{3} = \frac{2}{3} = 0.67)，即该节点涉及欺诈的可能性为 67%。
- 我们需要设置一个阈值，若阈值为 30%，则该节点的概率高于阈值，可将其标记为欺诈节点 F。
- 对于网络中的每个新节点，都需要重复上述计算过程。
2. 瞭望塔欺诈分析方法 ：简单欺诈分析方法存在两个局限性，一是没有评估社交网络中每个节点