基于局部扩展社区发现的学术异常引用群体检测

doi:10.11772/j.issn.1001-9081.2023050702

《计算机应用》唯一官方网站 ›› 2024, Vol. 44 ›› Issue (6): 1855-1861.DOI: 10.11772/j.issn.1001-9081.2023050702

所属专题：数据科学与技术

基于局部扩展社区发现的学术异常引用群体检测

林欣蕊, 王晓菲, 朱焱()

西南交通大学计算机与人工智能学院，成都 611756

收稿日期:2023-06-05 修回日期:2023-06-28 接受日期:2023-07-19 发布日期:2023-08-01 出版日期:2024-06-10
通讯作者: 朱焱
作者简介:林欣蕊（2001—），女，四川达州人，硕士研究生，主要研究方向：软件工程
王晓菲（1997—），女，山东烟台人，硕士研究生，主要研究方向：图异常检测；
基金资助:
四川省科技计划项目(2019YFSY0032)

Academic anomaly citation group detection based on local extended community detection

Xinrui LIN, Xiaofei WANG, Yan ZHU()

School of Computing and Artificial Intelligence，Southwest Jiaotong University，Chengdu Sichuan 611756，China

Received:2023-06-05 Revised:2023-06-28 Accepted:2023-07-19 Online:2023-08-01 Published:2024-06-10
Contact: Yan ZHU
About author:LIN Xinrui， born in 2001， M. S. candidate. Her research interests include software engineering.
WANG Xiaofei， born in 1997， M. S. candidate. Her research interests include graph anomaly detection.
Supported by:
Sichuan Science and Technology Program(2019YFSY0032)

摘要/Abstract

摘要：

学术社交网络中的某些学者可能组成异常引用群体，相互之间过度引用彼此的文章以谋取利益。现有的异常群体检测算法大多将社区检测与节点表示学习分离，导致最终异常群体检测性能受限。为此，提出一种基于局部扩展社区发现的异常引用群体检测（GADL）算法。所提算法利用论文研究领域、标题内容等语义信息提取作者异常引用特征；定义基于节点转移相似度、节点社区隶属度、引用异常度和广度优先遍历（BFS）深度的扩展度量函数；结合异常社区发现和异常节点检测，在统一框架下对二者联合优化，可获得最优的异常检测性能。在ACM、DBLP1和DBLP2数据集上，相较于ALP算法，所提算法分别提高了6.07%、5.35%和3.38%。在真实数据集上的实验结果表明，所提算法可有效地检测异常学术引用。

关键词: 学术社交网络, 图异常检测, 学术异常引用, 图神经网络, 局部扩展社区发现

Abstract:

Some scholars in the academic social network may form anomaly citation groups， and excessively cite each other’s papers for profit. Most of the existing anomaly group detection algorithms separate community detection from node representation learning， which leads to the limited performance of anomaly group detection. To deal with the issue， a Group Anomaly Detection based on Local extended community detection （GADL） algorithm was proposed. The author anomaly citation features were extracted by using semantic information such as research field and title content of the paper. An extension metric function based on node transition similarity， node community membership， citation anomaly and BFS （Breath First Search） depth was defined. The optimal anomaly detection performance could be obtained by combining anomaly community detection and anomaly node detection， and jointly optimizing them in a unified framework. Compared with ALP algorithm， the proposed algorithm improved the Area Under Curve （AUC） by 6.07%， 5.35% and 3.38% respectively on the ACM， DBLP1， and DBLP2 datasets.Experimental results on real datasets show that GADL can effectively detect academic anomaly citations.

Key words: academic social network, graph anomaly detection, academic anomaly citation, Graph Neural Network (GNN), local extended community detection

中图分类号:

TP391.4

林欣蕊, 王晓菲, 朱焱. 基于局部扩展社区发现的学术异常引用群体检测[J]. 计算机应用, 2024, 44(6): 1855-1861.

Xinrui LIN, Xiaofei WANG, Yan ZHU. Academic anomaly citation group detection based on local extended community detection[J]. Journal of Computer Applications, 2024, 44(6): 1855-1861.

图/表 8

图1 计算节点转移相似度

Fig. 1 Computation of node transfer similarity

表1 实验数据集统计信息

Tab. 1 Statistical information of experiment datasets

数据集	节点数	边数	异常占比	年份
ACM	23 498	46 018	0.072	2011—2013
DBLP1	74 680	186 050	0.064	2007—2009
DBLP2	143 987	366 079	0.061	2009—2010

表2 异常群体检测算法对比

Tab.2 Comparison of anomaly group detection algorithms

算法	ACM		DBLP1		DBLP2
算法	AUC	Macro-F1	AUC	Macro-F1	AUC	Macro-F1
GCoLA	0.687 8	0.635 7	0.672 8	0.605 0	0.680 4	0.626 1
ALP	0.915 6	0.702 5	0.936 2	0.734 1	0.954 8	0.786 3
GADL	0.9712	0.7469	0.9863	0.8285	0.9871	0.8794

表3 局部社区发现算法有效性验证结果

Tab.3 Effectiveness validation results for local community detection algorithms

算法	ACM		DBLP1		DBLP2
算法	AUC	Macro-F1	AUC	Macro-F1	AUC	Macro-F1
RTLCD	0.807 8	0.535 7	0.842 8	0.625 0	0.854 4	0.656 1
MAPPR	0.874 2	0.698 4	0.906 4	0.779 7	0.918 3	0.797 8
LCDMD	0.939 8	0.710 4	0.949 0	0.801 4	0.955 3	0.819 0
HSEI	0.960 2	0.735 2	0.972 5	0.820 6	0.976 1	0.863 5
GADL	0.9712	0.7469	0.9863	0.8285	0.9871	0.8794

图2 不同迭代次数下社区的传导度变化

Fig.2 Variation in community conductance with different iterations

图3 不同迭代次数下异常检测性能

Fig.3 Performance of anomaly detection with different iterations

图4 种子score均值变化

Fig.4 Variation of mean seed score

图5 不同数据集上各算法的Precision@K和Recall@K

Fig. 5 Precision@K and Recall@K of different algorithms on different datasets

参考文献 18

1	FISTER I， Jr， FISTER I， PERC M. Toward the discovery of citation cartels in citation networks［J］. Frontiers in Physics， 2016， 4： 49.
2	BAI X， XIA F， LEE I， et al. Identifying anomalous citations for objective evaluation of scholarly article impact［J］. PLoS ONE， 2016， 11（9）： e0162364.
3	TOSYALI A， KIM J， CHOI J， et al. New node anomaly detection algorithm based on nonnegative matrix factorization for directed citation networks［J］. Annals of Operations Research， 2020， 288： 457-474.
4	蔡丽伟. 学术网络中异常引用的识别［D］. 大连：大连理工大学， 2020： 11-46.
	CAI L W. Anomalous citation detection in academic networks ［D］. Dalian： Dalian University of Technology， 2020：11-46.
5	LIU J， XIA F， FENG X， et al. Deep graph learning for anomalous citation detection［J］. IEEE Transactions on Neural Networks and Learning Systems， 2022， 33（6）：2543-2557.
6	HUANG L， ZHU Y， GAO Y， et al. Hybrid-order anomaly detection on attributed networks［J］. IEEE Transactions on Knowledge and Data Engineering， 2023， 35（12）： 12249-12263.
7	HU S， SHAO M. Dual perspective contrastive learning based subgraph anomaly detection on attributed networks［C］// Proceedings of the 31st International Conference on Artificial Neural Networks. Berlin： Springer， 2022： 481-493.
8	HUANG P， HUANG Y， WANG W， et al. Deep embedding network for clustering［C］// Proceedings of the 2014 22nd International Conference on Pattern Recognition. Piscataway： IEEE， 2014：1532-1537.
9	TIAN F， GAO B， CUI Q， et al. Learning deep representations for graph clustering［C］// Proceedings of the 28th AAAI Conference on Artificial Intelligence. Menlo Park： AAAI Press， 2014： 1293-1299.
10	王晓菲，朱焱. 基于深度强化学习的异常学术引用检测［J］. 计算机工程与设计， 2023， inpress.
	WANG X F， ZHU Y. Anomaly detection of academic citations based on deep reinforcement learning［J］. Computer Engineering and Design， 2023， inpress
11	BLONDEL V D， J-L GUILLAUME， LAMBIOTTE R， et al. Fast unfolding of communities in large networks ［EB/OL］.［2023-03-01］. .
12	SHANG R， ZHANG W， ZHANG J， et al. Local community detection based on higher-order structure and edge information［J］. Physica A： Statistical Mechanics and its Applications， 2022， 587： 126513.
13	PURWITASARI D， ILMI A B， FATICHAH C， et al. Conflict of interest based features for expert classification in bibliographic network［C］// Proceedings of the 2018 International Conference on Computer Engineering， Network and Intelligent Multimedia. Piscataway： IEEE， 2018： 54-59.
14	ILMI A B， PURWITASARI D， FATICHAH C. Siamese long short-term memory for detecting conflict of interest on scientific papers［J］. IPTEK The Journal for Technology and Science， 2019， 30（2）： 49-51.
15	LI Z， CHEN X， SONG J， et al. Adaptive label propagation for group anomaly detection in large-scale networks［J］. IEEE Transactions on Knowledge and Data Engineering， 2023， 35（12）： 12053-12067.
16	DING X， ZHANG J， YANG J. A robust two-stage algorithm for local community detection［J］. Knowledge-Based Systems， 2018， 152： 188-199.
17	YIN H， BENSON A R， LESKOVEC J， et al. Local higher-order graph clustering［C］// Proceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2017： 555-564.
18	GUO K， HUANG X， WU L， et al. Local community detection algorithm based on local modularity density［J］. Applied Intelligence， 2022， 52： 1238-1253.

[1]	杜郁, 朱焱. 构建预训练动态图神经网络预测学术合作行为消失[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2726-2731.
[2]	杨兴耀, 陈羽, 于炯, 张祖莲, 陈嘉颖, 王东晓. 结合自我特征和对比学习的推荐模型[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2704-2710.
[3]	杨航, 李汪根, 张根生, 王志格, 开新. 基于图神经网络的多层信息交互融合算法用于会话推荐[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2719-2725.
[4]	唐廷杰, 黄佳进, 秦进. 基于图辅助学习的会话推荐[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2711-2718.
[5]	杨莹, 郝晓燕, 于丹, 马垚, 陈永乐. 面向图神经网络模型提取攻击的图数据生成方法[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2483-2492.
[6]	杨帆, 邹窈, 朱明志, 马振伟, 程大伟, 蒋昌俊. 基于图注意力Transformer神经网络的信用卡欺诈检测模型[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2634-2642.
[7]	汪炅, 唐韬韬, 贾彩燕. 无负采样的正样本增强图对比学习推荐方法PAGCL[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1485-1492.
[8]	郭洁, 林佳瑜, 梁祖红, 罗孝波, 孙海涛. 基于知识感知和跨层次对比学习的推荐方法[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1121-1127.
[9]	徐大鹏, 侯新民. 基于网络结构设计的图神经网络特征选择方法[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 663-670.
[10]	胡能兵, 蔡彪, 李旭, 曹旦华. 基于图池化对比学习的图分类方法[J]. 《计算机应用》唯一官方网站, 2024, 44(11): 3327-3334.
[11]	花晓雨, 李冬芬, 付优, 毕可骏, 应时, 王瑞锦. 结合层次图神经网络与长短期记忆的产业链风险评估预警模型[J]. 《计算机应用》唯一官方网站, 2024, 44(10): 3223-3231.
[12]	周北京, 王海荣, 王怡梦, 张丽丝, 马赫. 图谱嵌入传播的推荐方法[J]. 《计算机应用》唯一官方网站, 2024, 44(10): 3252-3259.
[13]	王红斌, 房晓, 江虹. 融入三维语义特征的常识推理问答方法[J]. 《计算机应用》唯一官方网站, 2024, 44(1): 138-144.
[14]	罗俊豪, 朱焱. 用于未对齐多模态语言序列情感分析的多交互感知网络[J]. 《计算机应用》唯一官方网站, 2024, 44(1): 79-85.
[15]	马国帅, 钱宇华, 张亚宇, 李俊霞, 刘郭庆. 动态异构信息融合的科研合作潜力预测[J]. 《计算机应用》唯一官方网站, 2023, 43(9): 2775-2783.

基于局部扩展社区发现的学术异常引用群体检测

Academic anomaly citation group detection based on local extended community detection

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 8

参考文献 18

相关文章 15

编辑推荐

Metrics