近日，由华南农业大学、中山大学、华南师范大学合作的论文Hybrid-Order Anomaly Detection on Attributed Networks被CCF A类期刊IEEE Transactions on Knowledge and Data Engineering (TKDE）正式录用。这是三所高校组成的联合研究团队一年多以来，共同取得的又一个重要成果。

        针对属性网络异常检测问题中，仅检测异常节点而忽略了异常子图的检测，该文首次定义了一个新的属性网络异常检测问题，称为混合阶异常检测；提出了一个新的深度学习模型——混合阶图注意力网络（HO-GAT），它可以同时检测异常节点和异常模体实例。

        在实验验证阶段，使用了真实数据集Scholat、AMiner、WebKB三个数据集。Scholat数据集来自学术社交网站学者网，学者为节点，两个学者之间的消息交互为边。利用PCA方法对相关学者的个人简介进行学者节点的属性向量表示。经过预处理和子集选择，Scholat数据集包含2022个节点、2500条边和329个三角型模体实例。

论文链接：https://doi.org/10.1109/tkde.2021.3117842 

数据下载链接：https://www.scholat.com/research/opendata/ 

学者网SCHOLAT（https://www.schoalt.com）是面向广大学生和科研人员的学术社交网络，主要提供个人主页、 学术资讯、团队平台、课程平台、学者日历等功能和服务。学者网自2009年正式上线以来，已经积累了海量的用户社交和行为数据，截止目前，包括近20万注册用户、覆盖了包括985、211在内的多家单位和机构，服务了34万学生人次、上亿条学者关系和用户行为日志。基于学者网大数据，可以进行社会网络分析、知识图谱、个性化推荐、用户行为分析等研究。同时，学者网也提供更加丰富的SCHOLAT+服务，包括高校学院教师主页、学术会议管理平台、学者百科等系统，正在形成SCHOLAT生态。同时依托学者网开放数据接口服务，为用户和系统管理人员提供更优质的服务。

学者网作为一个新兴的垂直领域的社交网络系统，正逐渐推出和提供各种大数据数据集供学者和研究人员进行相关研究，包括学者社区分析和挖掘、链路预测、属性网络异常检测等。