基于局部扩展社区发现的学术异常引用群体检测

作     者：林欣蕊 王晓菲 朱焱 LIN Xinrui;WANG Xiaofei;ZHU Yan

作者机构：西南交通大学计算机与人工智能学院成都611756 

出 版 物：《计算机应用》 (journal of Computer Applications)

年 卷 期：2024年第44卷第6期

页      面：1855-1861页

学科分类：1305[艺术学-设计学（可授艺术学、工学学位）] 13[艺术学] 08[工学] 081104[工学-模式识别与智能系统] 0804[工学-仪器科学与技术] 081101[工学-控制理论与控制工程] 0811[工学-控制科学与工程] 

基　　金：四川省科技计划项目(2019YFSY0032) 

主　　题：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 

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。