Amazon-Fraud

displayName: Amazon-Fraud (Multi-relational Graph Dataset for Amazon Fraudulent Account
Detection)
license:
- Apache 2.0
mediaTypes:
- Graph
paperUrl: https://arxiv.org/pdf/2008.08692v1.pdf
publishDate: "2020"
publishUrl: https://github.com/YingtongDou/CARE-GNN
publisher:
- Beihang University
- University of Illinois at Chicago
tags:
- Detector
taskTypes:
- Node Classification
- Anomaly Detection
- Fraud Detection
- Graph Mining

---
# 数据集介绍
## 简介
Amazon-Fraud 是基于 Amazon 评论数据集构建的多关系图数据集，可用于评估基于图的节点分类、欺诈检测和异常检测模型。
数据集统计
# 节点
%欺诈节点（类别=1）
11,944
9.5
关系
# 边
U-P-U
175,608
U-S-U
3,566,479
U-V-U
1,036,737
全部
4,398,392
图构建
亚马逊数据集包括乐器类别下的产品评论。与本文类似，我们将有用投票超过 80% 的用户标记为良性实体，将有用投票少于 20% 的用户标记为欺诈实体。我们在 Amazon-Fraud 数据集上进行欺诈用户检测任务，这是一个二元分类任务。我们将本文中的 25 个手工特征作为 Amazon-Fraud 的原始节点特征。我们将用户作为图中的节点，设计了三种关系： 1）U-P-U：连接至少评论一个相同产品的用户； 2）U-S-V：连接一周内至少有一个相同星级的用户； 3）U-V-U：它连接所有用户中具有前 5% 的相互评论文本相似度（由 TF-IDF 衡量）的用户。
要下载数据集，请访问此 Github 存储库。如有其他问题，请发邮件至 ytongdou(AT)gmail.com 进行咨询。
## 引文
```
@inproceedings{dou2020enhancing,
title={Enhancing graph neural network-based fraud detectors against camouflaged fraudsters},
author={Dou, Yingtong and Liu, Zhiwei and Sun, Li and Deng, Yutong and Peng, Hao and Yu, Philip S},
booktitle={Proceedings of the 29th ACM International Conference on Information \& Knowledge Management},
pages={315--324},
year={2020}
}
```

## Download dataset
:modelscope-code[]{type="git"}

显示名称：Amazon-Fraud（面向亚马逊欺诈账户检测的多关系图数据集（Multi-relational Graph Dataset for Amazon Fraudulent Account Detection））
许可协议：Apache 2.0
媒体类型：图（Graph）
论文链接：https://arxiv.org/pdf/2008.08692v1.pdf
发布日期："2020"
发布仓库：https://github.com/YingtongDou/CARE-GNN
发布机构：北京航空航天大学（Beihang University）、伊利诺伊大学芝加哥分校（University of Illinois at Chicago）
标签：检测器（Detector）
任务类型：节点分类（Node Classification）、异常检测（Anomaly Detection）、欺诈检测（Fraud Detection）、图挖掘（Graph Mining）

---
# 数据集介绍
## 简介
Amazon-Fraud 是基于亚马逊评论数据集构建的多关系图数据集，可用于评估基于图的节点分类、欺诈检测与异常检测模型。

## 数据集统计
### 节点
欺诈节点（类别=1）共11,944个，占比9.5%。
### 边
U-P-U：175,608条
U-S-U：3,566,479条
U-V-U：1,036,737条
总计：4,398,392条

## 图构建
本数据集采用亚马逊乐器类别的产品评论数据。与该研究一致，我们将有用投票占比超过80%的用户标记为良性实体，将有用投票占比低于20%的用户标记为欺诈实体。本数据集聚焦欺诈用户检测任务，属于二元分类任务。我们采用该研究中的25个人工构造特征作为Amazon-Fraud的原始节点特征。我们以用户作为图中的节点，设计了三类关系：
1. U-P-U：连接至少评论过同一产品的用户；
2. U-S-V：连接一周内至少拥有一个相同评分星级的用户；
3. U-V-U：连接全体用户中相互评论文本相似度（由词频-逆文档频率（Term Frequency-Inverse Document Frequency, TF-IDF）衡量）位列前5%的用户。

如需下载数据集，请访问此GitHub仓库。如有其他疑问，请发送邮件至ytongdou(AT)gmail.com咨询。

## 引文

@inproceedings{dou2020enhancing,
title={面向伪装欺诈者的图神经网络欺诈检测器增强方法},
author={Dou, Yingtong and Liu, Zhiwei and Sun, Li and Deng, Yutong and Peng, Hao and Yu, Philip S},
booktitle={第29届ACM信息与知识管理国际会议论文集},
pages={315--324},
year={2020}
}

## 数据集下载
:modelscope-code[]{type="git"}