融合语义感知与注意力机制的垃圾信息检测方法

垃圾信息是影响电商平台信誉的重要威胁之一。面对类别不平衡的评论数据，现有的基于图神经网络的垃圾信息检测方法面临数据稀疏、节点关系复杂且刻画不全面等问题，影响了检测性能。为了应对上述问题，本文提出了一种基于图神经网络的垃圾信息检测方法（Graph neural network-based spam detection，GNNSD）。该方法引入语义感知的节点增强机制，为少数类节点生成语义相关的邻居，以缓解类别不平衡导致的性能下降。同时，采用多头关系感知注意力与语义-关系双重注意力机制，捕捉节点间的交互模式和细粒度的依赖特征，解决特征信息利用不充分问题。进一步地，采用跨层残差连接方式和对比学习策略，强化特征复用与增加节点嵌入的区分性。在基准数据集上开展了实验验证，结果表明GNNSD在AUC、Micro-F₁和Macro-F₁指标上优于现有主流方法，在类别不平衡条件下取得了更佳的检测性能。