近日，IEEE ICDM 2023 图学习挑战赛决赛落幕并在上海进行颁奖。本次比赛由蚂蚁集团与浙江大学联合主办，旨在通过深度图学习，解决社区发现和团伙挖掘等风险问题。大赛历时四个月，采用初赛、复赛、决赛“三级赛制”，最终来自网易、华中科技大学等6支参赛队伍取得优异成绩。
（前三名队伍代表出席领奖）
IEEE ICDM（IEEE International Conference on Data Mining），是全球领先的数据挖掘研究会议之一，与ACM SIGKDD和SIAM SDM同列为数据挖掘领域的三大顶级国际会议。ICDM提供了一个展示原创研究成果的平台，研究范围横跨数据挖掘与人工智能领域，包括算法、软件、系统和应用程序等，吸引了大量来自相关领域的研究人员和应用程序开发人员参会。
本次赛题主题“社区发现”是网络科学领域的一个重要问题，其主要目标是将给定的图网络划分成若干个互相连接、内部联系紧密的社区，从而揭示网络中存在的隐藏结构和模式。图学习有助于改进社区发现的效果。
社区发现在社交网络分析、生物信息、风控、推荐等领域有着广泛的应用，例如在风控场景中，将相似用户划分为社区有利于黑产追踪。但是在实际业务中，黑产追踪和团伙挖掘任务经常面临缺乏大量的标记数据的困难，因此社区发现方法变得尤为重要。
当今社交网络和互联网的快速发展，使得网络中的节点数量和连接关系快速增长，这也导致了社区发现和团伙挖掘问题变得更加复杂和具有挑战性。在这种背景下，深度图学习开始被应用于社区发现和团伙挖掘，其能够自动学习网络中的高级表征，提高社区发现和团伙挖掘的效果。
将预训练模型应用于社区发现和团伙挖掘是一个相对较新颖且具有挑战性的问题。该任务的难度较大，需要更多的深入探索和研究。为了激励研究者在这个领域使用预训练模型相关技术，本次比赛提供了一个平台，旨在鼓励参赛者探索预训练模型在社区发现和团伙挖掘中的应用潜力。
参赛队伍通过蚂蚁TuGraph平台下载ICDM2023预训练数据集和测试数据集。这两个数据集均为同构图，其中测试数据集只包含图的拓扑结构和节点属性，而没有社区标签。值得注意的是，测试集上的图顶点 ID 与训练集上的图顶点 ID 没有对应关系。参赛选手的任务是利用训练好的预训练模型对测试数据集中的社区标签进行准确预测。这一过程不仅涉及对预训练模型的有效应用，还需要应对数据集之间的不对应关系，增加了任务的复杂度。
冠军选手感言
邱程锋：网易易盾
本届竞赛中，我们深入研究了关系图谱中的社区向量化技术，并首创一种颇具实用价值的欺诈团伙检测算法——Risk-DCRN，通过社区预划分和社区向量化两阶段管道方法，实现了大规模图网络上稀疏标签数据条件下欺诈用户群体的高效精准识别。该方法的motivation主要来源于前期实验预研阶段，我们发现传统图深度学习模型在官方测试集上普遍存在表征塌陷问题，容易导致节点Embedding倾向于映射到同一特征子空间内，从而影响社区聚类性能。为此，我们针对风控垂类场景，精心设计了一种基于对偶相关性衰减网络（Dual Correlation Reduction Network，DCRN）的稠密子图自监督深度图聚类框架，应用于从社区预划分结果中进一步通过稠密子图向量相似性聚类，最终准确挖掘出潜藏于庞大关系网中的346个欺诈团伙。
评委代表点评
刘永超：蚂蚁集团 高级技术专家
社区发现与团伙挖掘在实际商业场景中扮演了至关重要且频繁应用的角色。本届竞赛鼓励参赛者以创新的方式运用预训练模型来应对这些挑战，并探索其在相关领域的应用前景。参赛者提交的技术报告和答辩表现经过细致评审。竞赛组委会高度评价了参赛者所提出解决方案的创新性，并对其取得的性能成果表示超乎预期的满意。我们一致认为，此次竞赛已经完美落幕，并取得了圆满成功。
✨ 欢迎关注TuGraph代码仓库~
