Detalhes da Dissertação

TÍTULO
Detecção de Fraude em Social Commerce: uma Abordagem Baseada na Combinação de Informações Estruturadas e Imagens

AUTORES
Apolo Takeshi Arai Batista
Ronaldo Ribeiro Goldschmidt, Karla Figueiredo (orientadores)

DATA DA DEFESA
09/12/2020

LINHA DE PESQUISA
Engenharia de Sistemas e Informação

RESUMO
As necessidades de mercado demandaram mudanças nos e-commerce e nas redes sociais, resultando no surgimento do social commerce. Somado a isto, é observado o contínuo crescimento das transações comerciais em Social Commerce. Este ambiente é atraente para usuários bem e mal intencionados, os últimos causam danos financeiros e psicológicos as suas vítimas por meio das fraudes online. Como a volumetria de casos é alta e a ocorrência de fraude é baixa, o processo de detecção manual não é escalável e é ineficiente, muito recurso para pouca detecção. Por outro lado, as soluções existentes para a detecção automática de fraude em Social Commerce baseiam-se em informações estruturadas extraídas dos anúncios (i.e.: preço, se é novo ou usado, qual a cor, etc.). Entretanto, tais soluções ignoram potenciais indícios de fraude nas imagens que complementam as informações sobre o objeto comercializado. Assim, o presente trabalho propõe uma investigação da utilização de Deep Learning para combinação de diferentes algoritmos unindo base de dados estruturadas e imagens. Desse modo, foi feita uma proposta de um método chamado de DFSC (Detecção de Fraude em Social Commerce), que permitiu a análise de anúncios considerando suas respectivas imagens e informações estruturadas. Para tais combinações foram estudados a utilização de modelos de dados estruturados isoladamente, de imagens isoladamente, e duas formas de combinação dos modelos seja considerando a saída dos modelos de imagem como um dado enriquecido para um modelo de dados estruturado, seja por meio da composição de modelos de dados estruturados e de imagens sujeitos a um novo classificador para avalia-los. Tais experimentações se mostraram promissoras, apresentando resultados que evidenciam que a consideração da imagem impacta de modo significativo a qualidade de detecção de fraude em Social Commerce, com ganhos de até 20% em F-Score.

ABSTRACT
The Social commerce has risen due to changes in either e-commerce or social networks. On top of that, the number of online ads and transactions in Social Commerce has grown. This environment is attractive to either good users and bad users. The bad users cause harm to their victim by making them lose money or psychological damage. Since the volume of transactions is high and the fraud occurrence is low, the manual detection is not scalable and highly inefficient, too much resource wasted for low detection. The existing solutions for automatic fraud detection in Social Commerce, e-commerce with social networks, are based on structured information available in ads such as price, product type, brand, new/used, among others. However, such solutions ignore possible fraud signs from the ads’ images that exhibit the product sold. Therefore, this article aims to evaluate if combining structured information and images available in the ads provides more effective models than the ones that consider only structured information. The proposed method uses deep learning to evaluate the images. It has been developed a method called Fraud Detection at Social Commerce (FDSC) which has enabled the combined evaluation of ads’ images and structured information. Experimental evidence shows an incremental opportunity of 20% in F-score by the adoption of this method.

ARQUIVO
Ver arquivo