基于移动终端设备的广告推广是当今最重要的广告营销途径之一。除了移动端浏览器的网站外,移动设备中的应用软件也是移动广告的重要载体。为广告主提供广告栏位和用户流量,是许多移动应用的重要收入来源。然而为了获取更多利润,一些移动应用会通过伪造虚假用户流量来骗取更多的广告收入,从而对广告主的广告推广资金造成重大损失。如何识别虚假欺诈流量,是广告主和广告平台必须面对的重要挑战。传统的移动广告欺诈检测方案主要依赖数据研究员制定的人工规则。随着欺诈设备和欺诈手段的不断更新换代,原有的人工规则已经越来越难以区分出欺诈性的用户流量。因此本文针对移动广告场景的欺诈检测问题,提出了一种使用多种机器学习算法相结合的移动广告欺诈检测方案。该方案的主要创新工作如下:(1)针对欺诈检测场景中条件判别规则具有较高识别率,以及该场景存在大量稀疏类别型特征的特点,本文分别构造了GBDT模型和神经网络模型,通过将两种不同侧重的单模型进行组合的方式,提高方案的综合检测效果。(2)针对该场景存在大量无历史数据的新用户,以及用户与媒体的关系网络能反应出新用户的欺诈性偏向的特点,本文引入了图嵌入技术构建用户的关系向量。同时为了使下游检测模型能充分挖掘图嵌入向量中的用户关系信息,本文结合wide&deep神经网络模型擅长挖掘稀疏类别型特征的特点,提出了一种支持嵌入向量输入的改进模型Emb Deep Fm。实验表明,结合了图嵌入向量信息的神经网络模型能有效提高对无历史数据的新用户的欺诈检测能力。(3)针对GBDT模型和神经网络模型擅长预测不同特征分布的样本的特点,本文提出了一种基于差异分组融合的集成学习结合策略DG-Blending,充分利用了两个模型能力的差异性。经实验对比,新模型结合策略比现有结合策略的融合效果有明显的提升。实验结果表明,本文提出的移动广告欺诈检测方案在AUC指标下具有非常突出的欺诈检测效果,能很好的识别复杂模式的广告点击欺诈行为,为机器学习算法在移动广告欺诈检测领域的应用提供了一种可行的解决方案。