风控算法（3）阿里云-风险商品图算法识别

发表于 2022-06-30 更新于 2023-05-06 分类于【draft】应用，算法比赛，业务安全阅读次数：本文字数： 1.2k 阅读时长 ≈ 2 分钟

【阿里安全 × ICDM 2022】大规模电商图上的风险商品检测赛

比赛链接：Https://tianchi.aliyun.com/competition/entrance/531976/introduction

ICDM 2022: Risk Commodities Detection on Large-Scale E-Commence Graphs：https://github.com/EdisonLeeeee/ICDM2022_competition_3rd_place_solution

ICDM2022大规模电商图上的风险商品检测比赛（第六名）：https://github.com/JaySaligia/SGHQS

ICDM 2022 : 大规模电商图上的风险商品检测 -- top1方案分享+代码：https://github.com/fmc123653/Competition/tree/main/ICDMCup2022-top1

ICDM2022_competition_3rd_place_solution：https://github.com/EdisonLeeeee/ICDM2022_competition_3rd_place_solution

【论文笔记】KGAT：融合知识图谱的 CKG 表示 + 图注意力机制的推荐系统：https://zhuanlan.zhihu.com/p/364002920

一、黑灰产VS风控系统

近年来，图计算尤其是图神经网络等技术获得了快速的发展以及广泛的应用。

在电商平台上的风险商品检测场景中，黑灰产和风控系统之间存在着激烈的对抗，黑灰产为了躲避平台管控，会蓄意掩饰风险信息，通过引入场景中存在的图数据，可以缓解因黑灰产对抗带来的检测效果下降。

在实际应用中，图算法的效果往往和图结构的质量紧密相关，由于风险商品检测场景中对抗的存在，恶意用户会通过伪造设备、伪造地址等方式，伪造较为“干净”的关联关系。如何能够在这种存在着大量噪声的图结构数据中充分挖掘风险信息，是一个十分有挑战性的问题，另外该场景中还存在着黑白样本严重不均衡、图结构规模巨大且异构等多种挑战。