> For the complete documentation index, see [llms.txt](https://fuxi-up-research.gitbook.io/open-project/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://fuxi-up-research.gitbook.io/open-project/research_topics/semi_supervised_trade_subgraph_detection.md).

# 在线游戏中的半监督异常交易群体检测

## 课题背景

交易是游戏世界中普遍存在的行为，大量玩家之间的交易行为能够形成一个客观存在的图网络结构，即交易网络。目前，游戏工作室通过大量游戏账号在游戏中转移、出售游戏资产来谋取巨额利益，因此异常交易检测是游戏中一个非常重要的反外挂手段。

游戏中的异常交易通常为有组织、有规模的群体行为，因此简单地通过节点分类来检测单个玩家的异常交易应用价值不大。在实际业务中，我们更希望能够进行群体检测，找出具有一定规模的异常交易疑似群体，如图1所示。此外，真实数据环境中的异常交易标记成本且严重依赖专家经验，因此只能够提供有限的已知群体的标记，对于潜在的未知群体，我们无法确认其是否是正样本或者是负样本。

综上，基于半监督的异常交易群体检测是一个实际可行的解决方案，具有较高的研究和应用价值。

![图1：在线游戏中的半监督异常交易群体检测](https://noterminus.gitee.io/image_bed/images/subgraph_detection.png)

## 问题定义

给定一个具有较大规模的交易网络和部分已知异常交易群体标记，输出交易网络G中疑似的异常交易群体集合。

## 问题挑战

相比于一般的有监督图节点分类问题，该问题的挑战为：

* 希望能够进行群体检测，找出具有一定规模的异常交易疑似群体
* 给定的标记数据中，只包含部分已知的群体标记，对于未知群体而言，无法确认其是正样本还是负样本

## 评价指标

可以参考常用的分类任务指标进行评估：

* AUC
* F1-score
* 精确率：precision
* 召回率：recall

## 数据集描述

数据集包含交易网络数据，具体描述如下所示：

* 交易网络数据

| 字段            | 类型     | 描述                                          |
| ------------- | ------ | ------------------------------------------- |
| ts            | bigint | 时间戳                                         |
| type          | bigint | 交易类型，例如摆摊交易、当面交易等                           |
| role\_id\_src | string | 玩家ID（发起方）                                   |
| role\_id\_dst | string | 玩家ID（接受方）                                   |
| item\_src     | string | 交易商品（发起方），格式：\[(商品1, 数量1), (商品2, 数量2), ...] |
| item\_dst     | string | 交易商品（接受方），格式：\[(商品1, 数量1), (商品2, 数量2), ...] |
| amt\_src      | bigint | 交易金额（发起方）                                   |
| amt\_dst      | bigint | 交易金额（接受方）                                   |

## 联系我们

有任何问题，请联系 <zhaoshiwei@corp.netease.com>