TH-GNN：用时序异构图识别大模型驱动的刷评攻击

导语

推荐系统面对的刷评攻击正在发生变化。过去，攻击者往往依赖重复文本、异常评分或可疑账号关系暴露身份；如今，LLM智能体能够批量生成更流畅的评论、看似一致的评分，以及更完整的虚假用户画像。单条评论可能并不异常，但多个账号在关系网络和时间节奏上的协同，仍可能泄露攻击痕迹。

arXiv论文提出的TH-GNN，正是针对这一问题设计的检测模型。它的核心思路不是在文本检测和图分析之间二选一，而是把语义、结构与时间行为放在同一套模型中联合判断。

核心要点

• 异构图建模。 模型使用两层Heterogeneous Graph Transformer，对不同类型的节点和关系分别分配注意力。用户、评论、商品描述等信息可以在统一图结构中传递，同时保留关系类型差异。
• 把时间放到边上。 TH-GNN在每条边上加入可学习的正弦时间编码，用于描述互动发生的时间信息；此外，它通过评论或行为之间的对数到达间隔，并交给GRU建模突发性，从而捕捉短时间集中操作等协调模式。
• 融合文本与结构。 用户的结构表示与冻结的RoBERTa评论和商品描述表示通过跨模态注意力进行融合。这样，模型既能观察账号在网络中的位置，也能比较文本内容与其关联关系之间是否存在不一致。
• 面向多种攻击评估。 论文在五类攻击和四个基准数据集上测试TH-GNN，报告的总体平均F1为0.870。在Agent4SR攻击上，相比最强文本基线，F1提高10.9个百分点；在最低注入率下，优势为11.5个百分点。

意义与影响

这项工作说明，LLM生成内容带来的风险并不只存在于语言层面。更自然的措辞可能降低文本异常分数，但攻击活动仍要通过账号、商品、评论和时间等实体发生。由此看，检测系统如果只检查语义漂移，可能忽略协同操作；如果只分析邻居异常，又难以理解评论内容及其跨模态矛盾。

TH-GNN的价值在于提供了一种较完整的联合建模框架，也为推荐平台的风控系统提供了设计方向：检测对象应从单条评论扩展到动态交互网络。不过，现有材料主要呈现模型结构和基准结果，尚未说明其在真实平台、持续变化的攻击策略以及推理成本方面的表现。因此，0.870的F1应被理解为论文实验设置下的结果，而不是对所有线上场景的直接保证。

随着生成式智能体降低大规模操纵内容的门槛，推荐系统可能需要同时追踪内容真实性、关系结构与行为节奏。TH-GNN展示的路线，正是从静态、单模态审核走向动态、多信号风险识别的一步。

来源：arXiv