التعلم المتناقض للرسم البياني الفائق للكشف عن مجتمعات تهريب المخدرات

في العقود الأخيرة، تطور جريمة تهريب المخدرات بفضل الأرباح الوفيرة، واندمجت مع التكنولوجيات الحديثة. أصبحت وسائل التواصل الاجتماعي، كواحدة من منصات الإنترنت الشهيرة، وسطاءً مباشرين لجماعات تهريب المخدرات غير المشروعة، حيث تُستخدم لترويج المخدرات وبيعها مباشرة للمستهلكين. وتمثل هذه الأنشطة الجماعية لتهريب المخدرات تحديات كبيرة أمام الصحة العامة والأمن، مما يستدعي اتخاذ إجراءات عاجلة لمعالجة هذه المشكلة. ومع ذلك، لا تزال الدراسات الحالية التي تسعى لمواجهة هذه المشكلة تواجه قيودًا، مثل التركيز على تحليل الأدوار الفردية من منظور واحد، وتجاهل العلاقات الجماعية، بالإضافة إلى الحاجة إلى عينات مُعلّمة كافية لتدريب النماذج. ولحل هذه المشكلة، نقترح إطارًا جديدًا يُسمى HyGCL-DC، وهو إطار تعزيز تناصلي هايبرغرافي (HyperGraph Contrastive Learning) يستخدم الهايبرغراف لتمثيل العلاقات من الدرجة العليا بين المستخدمين للكشف عن جماعات تهريب المخدرات. أولاً، نبني هايبرغرافًا يُسمى Twitter-HyDrug يتضمن عقدًا تمثل المستخدمين عبر الإنترنت، وأربعة أنواع من الهايبرحواف التي تُظهر العلاقات الجماعية الغنية بين هؤلاء المستخدمين. ثم، نستخدم الشبكات العصبية الهايبرغرافية لتمثيل العلاقات الغنية بين العقد والحواف في هايبرغراف تهريب المخدرات. علاوةً على ذلك، نصمم وحدة تناصليّة ذاتية التدريب على الهايبرغراف، تدمج التحويلات من منظور البنية ومن منظور السمات لتعزيز تعلم تمثيل الهايبرغراف على البيانات غير المُعلّمة. وأخيرًا، نصمم إطارًا متكاملًا يدمج الوحدة التناصليّة ذاتية التدريب مع الوحدة المُعلّمة لتصنيف جماعات تهريب المخدرات عبر الإنترنت. ولدراسة المشكلة المتعلقة بتهريب المخدرات عبر الإنترنت بشكل شامل وتقييم نموذجنا، نُجري تجارب واسعة على مجموعة بيانات Twitter-HyDrug وثلاث مجموعات بيانات معيارية أخرى للهايبرغراف ذات اقتباسات، لإثبات فعالية النموذج. وتتوفر بياناتنا الجديدة وشفرة المصدر على الرابط التالي: https://github.com/GraphResearcher/HyGCL-DC.