摘要
近几十年来，由于高额利润的驱动，毒品贩运犯罪不断融合现代技术手段，呈现出日益复杂的趋势。社交媒体作为当前主流的在线平台之一，已成为非法毒品交易群体进行毒品推广与交易的直接面向消费者的中介渠道。此类以群体为单位的毒品贩运活动对公共健康与安全构成了严重威胁，亟需采取有效措施加以应对。然而，现有研究在应对这一紧迫问题时仍存在诸多局限：多从单一视角分析个体角色，忽视了群体间的复杂关联；且普遍依赖大量标注样本进行模型训练，限制了其在现实场景中的适用性。为此，本文提出一种新型的超图对比学习框架——HyGCL-DC，通过超图建模用户之间的高阶关系，实现对毒品贩运群体的有效识别。首先，我们构建了一个名为Twitter-HyDrug的超图数据集，其中包含在线用户节点以及四类超边，以充分刻画用户之间的丰富群体关系。随后，利用超图神经网络对毒品贩运超图中节点与超边之间的复杂关系进行建模。进一步地，我们设计了一种超图自监督对比学习模块，融合结构视图与属性视图的增强策略，有效提升在无标签数据上的超图表示学习能力。最后，我们构建了一个端到端的框架，将自监督对比模块与有监督分类模块相结合，实现对线上毒品贩运群体的精准分类。为全面研究线上毒品贩运问题并验证所提模型的有效性，我们在Twitter-HyDrug数据集以及三个经典的引用网络超图基准数据集上开展了大量实验。实验结果表明，HyGCL-DC在检测毒品贩运群体方面显著优于现有方法。本文所构建的新数据集与源代码已公开发布于：https://github.com/GraphResearcher/HyGCL-DC。