# 问题定义

$K$

$\mathbf{G}=[G^1,G^2,\cdots,G^K]$
，如图1所示。第
$k$

$G^k = (\mathbf{V},\mathbf{E}^k,\mathbf{W}^k)$
，其中
$\mathbf{V}$

$\mathbf{E}^k$

$\mathbf{W}^k$

$e_{ij}^k \in \mathbf{E}^k$

$v_i$
$v_j$

$k$

$w_{ij}^k \in \mathbf{W}^k$

$\mathbf{A}\in \mathbb{R}^{N\times d}$

$\mathbf{Y}$

$\mathbf{G}$
，玩家画像数据
$\mathbf{A}$
，和外挂集合
$\mathbf{Y}$
，构建一个外挂检测模型
$h(\cdot)$

# 问题挑战

• 如何有效的使用图模型对玩家进行特征提取和建模；
• 如何解决标签稀缺的问题，即大量潜在外挂未在集合
$\mathbf{Y}$
中；
• 如何对检测出的可疑玩家给出可解释的说明和外挂的证据。

# 数据集描述

• 用户属性数据

role_id

online_time

total_yuan_bao

server

role_class

role_gender

role_level

create_time

role_base_score

role_talisman_score

role_skill_score

role_practice_score

role_equip_score

role_total_score

role_wuxue_score

not_binded_charged_yuanbao

hstb

bdyb

yin_liang

• 该天聊天数据

playera

playerb

server

count

• 该天交易数据

playera

playerb

server

money

1-3为面对面交易：1正常交易，2乞讨，3赠与
4：摆摊
5：玩家商店
6: 红包交易
• 该天组队数据

playera

playerb

server

count

• 该天好友数据

playera

playerb

server

status

relationship

sub_relationship_type

sub_relationship_value

1-好友 2-师徒 6-临时好友 7-临时仇敌 8-仇敌 9-黑名单 10-别人加我为好友。

# 相关学术论文

Fuxi-UP团队针对这个问题，从多视图学习角度入手，通过Attention机制结合多来源数据，建立起基于游戏交易图中的刷钱外挂检测框架MVAN，相关工作已发表在KDD'2019
Tao, Jianrong, Jianshi Lin, Shize Zhang, Sha Zhao, Runze Wu, Changjie Fan, and Peng Cui. "MVAN: Multi-view Attention Networks for Real Money Trading Detection in Online Games." In Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, pp. 2536-2546. ACM, 2019.