Hypergraph-contrastive Lernen zur Erkennung von Drogenhandels-Communities

In den letzten Jahrzehnten hat sich der Drogenhandel aufgrund der lukrativen Gewinne mit modernen Technologien weiterentwickelt. Soziale Medien, als eine der beliebtesten Online-Plattformen, sind zu direkten Vertriebskanälen für kriminelle Drogenhandelsgruppen geworden, um Drogen zu bewerben und zu verkaufen. Diese gruppenbasierten Drogenhandelsaktivitäten stellen erhebliche Herausforderungen für die öffentliche Gesundheit und Sicherheit dar und erfordern dringend Maßnahmen zur Bewältigung dieses Problems. Bestehende Ansätze zur Bekämpfung dieser drängenden Problematik stoßen jedoch weiterhin auf Einschränkungen, wie beispielsweise die ausschließliche Analyse einzelner Rollen aus einer einzigen Perspektive, die Ignorierung gruppenbasierter Beziehungen sowie die Notwendigkeit ausreichend gelabelter Trainingsdaten für das Modelltraining. Um diesem Problem zu begegnen, schlagen wir einen neuartigen Hypergraphen-basierten Kontrastlernansatz namens HyGCL-DC vor, der Hypergraphen nutzt, um höhere Ordnungsbeziehungen zwischen Nutzern zu modellieren, um Drogenhandelsgruppen zu erkennen. Zunächst erstellen wir einen Hypergraphen namens Twitter-HyDrug, der Online-Nutzerknoten sowie vier Arten von Hyperkanten umfasst, um die vielfältigen gruppenbasierten Beziehungen zwischen diesen Nutzern präzise darzustellen. Anschließend nutzen wir Hypergraphen-neuronale Netze, um die komplexen Beziehungen zwischen Knoten und Hyperkanten im Drogenhandels-Hypergraphen zu modellieren. Darüber hinaus entwerfen wir ein selbstüberwachtes Kontrastmodul für Hypergraphen, das Augmentierungen aus struktureller und attributiver Perspektive integriert, um die Repräsentationslernleistung auf ungelabelten Daten zu verbessern. Schließlich konzipieren wir einen end-to-end-Framework, der das selbstüberwachte Kontrastmodul mit einem überwachten Modul kombiniert, um Online-Drogenhandelsgruppen zu klassifizieren. Um das Problem des Online-Drogenhandels umfassend zu untersuchen und unsere Methode zu evaluieren, führen wir umfangreiche Experimente auf Twitter-HyDrug sowie drei zitierbaren Benchmark-Hypergraphen-Datensätzen durch, um die Wirksamkeit unseres Modells zu belegen. Unsere neuen Daten und der Quellcode sind unter https://github.com/GraphResearcher/HyGCL-DC verfügbar.