NÂNG CAO HIỆU QUẢ HỆ THỐNG KHUYẾN NGHỊ NGƯỜI DÙNG VÀ PHÁT HIỆN GIẢ MẠO TRONG THƯƠNG MẠI ĐIỆN TỬ SỬ DỤNG MẠNG NƠ RON TÍCH CHẬP ĐỒ THỊ

ThS. Phan Phước Long, ThS. Nguyễn Văn Thanh, TS. Hà Văn Sang, NCS. Nguyễn Thanh Sơn, NCS. Phan Thế Khải

Tóm tắt 
Hệ thống khuyến nghị (Recommender System – RS) đã xuất hiện từ giữa những năm 90 của thế kỷ XX, thường được định nghĩa là một công cụ hay hệ thống phần mềm đóng vai trò như một trợ lý và cung cấp cho người dùng các đề xuất được cá nhân hóa, dựa trên sở thích và mối quan tâm trước đây của họ. Ngày nay, các hệ thống khuyến nghị là một phần quan trọng không thể thiếu trong hầu hết các nền tảng thương mại điện tử, như Amazon, E-Bay, Lazada, Tiki, Shopee,... 
Dữ liệu xếp hạng đánh giá cho một hệ thống khuyến nghị thường đến từ các nền tảng mở, có thể thu hút một nhóm người dùng lợi dụng để cố tình cung cấp các phản hồi giả mạo nhằm mục đích làm sai lệch hệ thống khuyến nghị khách hàng theo hướng có lợi cho họ. Các cuộc tấn công giả mạo như vậy, làm cho dữ liệu của hệ thống khuyến nghị không còn trung thực dẫn tới kết quả đề xuất cho khách hàng bị sai lệch. Dữ liệu để xác định và xếp hạng tính chính xác của phản hồi do người dùng cung cấp là dữ liệu có cấu trúc và quan hệ phức tạp là dạng dữ liệu phi tuyến, nên chúng tôi đề xuất sử dụng mạng nơ ron đồ thị để biểu diễn người dùng và phân tích tính trung thực của thông tin phản hồi. Trong bài báo này, chúng tôi đề xuất một mô hình học sâu để biểu diễn người dùng dựa trên mạng nơ ron tích chập đồ thị để nâng cao hiệu quả của hệ thống khuyến nghị và phát hiện phản hồi giả mạo trong nền tảng thương mại điện tử. Chúng tôi cũng cung cấp các thử nghiệm trên bộ dữ liệu học máy được công bố là Yelp và Movies & TV do Amazon cung cấp.
Từ khóa: hệ thống khuyến nghị, mạng nơ ron tích chập đồ thị, học sâu, phát hiện giả mạo.
Abstract
Recommender Systems (RS) have emerged since the 1990s of the 20th century, often defined as software system that acts as an assistant, providing users with personalized recommendations based on their previous preferences and interests. Nowadays, recommendation systems are an indispensable part of most e-commerce platforms such as Amazon, E-Bay, Lazada, Tiki, Shopee, ... Rating data for a recommendation system often comes from open platforms, which can attract a group of users to take advantage of it to intentionally provide fake feedback with the aim of distorting the customer recommendation system in their favor. Such fake attacks make the recommendation system data dishonest, leading to incorrect recommendation results for customers. The data to identify and rank the accuracy of user-provided feedback is structured data, complex relationships, and is a form of nonlinear data, so we propose to use a graph neural network to represent users and analyze the truthfulness of feedback information. In this paper, we propose a deep learning model for user representation based on graph convolutional network to improve the effectiveness of recommendation system and detect fake feedback in e-commerce platform. We also provide experiments on publicly available machine learning datasets Yelp and Movies & TV provided from Amazon..
Keywords: recommendation systems, graph convolutional networks, deep learning, fraudster detection.
JEL Classifications: M10, M15, M19.
DOI: https://doi.org/10.59006/vnfa-jaa.09202410