在不掌握完整网络信息的情况下也能围绕关注对象锁定特定群体的算法问世
可应用于客户群分析、异常交易探测等领域,已被数据库领域顶级会议“SIGMOD”接收
一种能够精确探测隐藏在数据中的少数群体(如电信诈骗组织、异常交易团伙、VIP消费群体)的网络分析技术已经问世。
研究人员开发出一种算法,可以在复杂交织的网络中,以用户关注的人或对象为中心,高效地筛选出真正有意义的群体。该技术有望大幅提升对异常行为虚假账号和网络攻击的实时拦截能力,并在聚焦小规模核心客户群的营销、追踪与可疑诈骗账户相连的相关账号群体、以及通过生物学蛋白质关系网络分析发掘新药研发线索等方面发挥重要作用。
UNIST计算机工学系 Kim Junghoon 教授团队于28日表示,他们开发出一种新的社区搜索方法,在用户指定的目标必须被包含的前提下,只在限定规模内寻找真正有意义的群体。
社区搜索是一种在海量网络数据中识别内部连接紧密群体的数据分析技术。既有技术在网络数据规模庞大,或因个人信息保护只能看到部分关系的情况下难以使用,而且还存在即便关系并不紧密也被划入群体的问题。
该研究团队的技术即便在无法获取全部网络信息的情况下,也能在用户设定的规模之内,筛选出内部连接稠密、与外部相对区分明显的群体。
其原理是从用户指定的节点出发,依次检视周边候选节点,逐步扩展群体。在这一过程中,算法会计算加入某个候选节点后整体结果是否改善,并引入规模约束,使得群体被不必要地扩张时,评分不会轻易升高。
对于在逐个筛选过程中可能被遗漏的关系,研究团队通过同时考察附近相连的小规模子集来加以补充。这样可以把那些单独看不显眼、但组合在一起能够更清晰凸显群体特征的候选对象纳入考虑。
在使用真实网络数据进行的实验中,与现有最佳方法相比,该技术的F1分数最高提升至1.39倍,ARI分数最高提升至5.95倍。这意味着它在更准确地筛选出目标群体的同时,减少了对关系较弱对象的误纳入。
Kim Junghoon 教授表示:“在现实世界的网络分析中,很难一次性获取全部数据,而真正需要的群体规模往往也是预先设定好的。本次研究聚焦于在用户关注对象周边快速发现有意义关系的技术,可应用于客户群分析、异常交易探测、生物学蛋白质关系网络分析等多个领域。”
本次研究由UNIST的 Kim Dahui 研究员作为第一作者参与,并在韩国研究财团的资助下完成。
研究成果已被接收,将在2026年5月31日至6月5日在印度班加罗尔举行的2026 SIGMOD上发表。SIGMOD(Association for Computing Machinery Special Interest Group on Management of Data,计算机协会数据管理特别兴趣小组)是数据库领域最具权威的学术会议之一。
版权所有 © 阿视亚经济。未经许可不得转载,禁止用于AI训练及使用。