في عالم تتزايد فيه حالات الاحتيال، أصبح الكشف عن الاحتيالات في الشبكات ضرورة لا غنى عنها. لطالما اعتمدت تقنيات الكشف على الشبكات العصبية الرسومية (Graph Neural Networks - GNNs) لتمرير وتجميع المعلومات عبر البيانات العلائقية. ولكن هناك عائق رئيسي يواجهنا في هذا المجال: يميل المحتالون إلى تزييف هويتهم بربط أنفسهم بعدد كبير من المستخدمين الأبرياء، مما يؤدي إلى تميع إشارات الاحتيال خلال عملية التجميع، ويضعف موثوقية الكشف.

في مواجهة هذه التحديات، قدم الباحثون تقنية L2IR، وهي إطار يعتمد على نماذج اللغات الضخمة (Large Language Models - LLMs) للكشف عن النوايا الخفية وراء الروابط المشبوهة. يسمح لنا L2IR بفهم السلوكيات الغامضة التي يقوم بها المستخدمون ويدرس الأغراض الحقيقية وراء كل اتصال. من خلال استخراج تمثيلات مستندة إلى النية من السجلات السلوكية، تصبح عملية التمييز بين الروابط الداعمة والمضللة أكثر دقة.

لكن ليس ذلك فحسب، بل يعتمد L2IR على التدريب الذاتي التكيفي لتعزيز القدرة على مواجهة تحديات الاشراف المحدود. وقد أظهرت التقييمات على مجموعتين من البيانات الواقعية ذات التشويش المستمر أن L2IR يتفوق على معايير قوية، مما يُظهر إمكانيته كتعزيز إضافي للعديد من كاشفات GNN، محققاً زيادة تصل إلى 8.27% في دقة استعادة المنطقة تحت منحنى دقة الاسترجاع (AUPRC).

مع تقدم هذه التقنية، تتجه الأنظار نحو مستقبل أكثر أماناً للكشف عن الاحتيالات في الشبكات. هل تتوقعون أن تساهم L2IR في تغيير قوانين اللعبة في هذا المجال؟ شاركونا آرائكم!