互联网技术正在全世界范围内快速发展,当代信息技术对人们的生活方式已产生了极大的影响。然而随着新技术的发展,非法套利等欺诈犯罪行为也有了新的变化。利用互联网中的用户的交易行为数据,可以有效的识别出具有违法犯罪行为的异常用户。网络数据具有规模庞大、形式丰富的特点,如何挖掘有效信息,完成异常用户识别任务成为了重要难点。本文结合网络表示学习方法,对利用营销活动非法套利的异常用户的识别问题进行研究,主要内容包括以下三点:1.在异常用户检测场景中,用户与商户的交易行为组成的网络包含着大量有效信息,然而网络作为一种非结构化数据难以直接利用。本文利用支付平台存有的大量用户与商户的交易流水记录建立用户-商户二分网络,并提出有权二分网络表示学习算法Bipartitewalk,学习网络中用户节点的低维嵌入表示。本文在某支付平台的真实交易记录数据集中进行实验,结果显示Bipartitewalk算法生成的节点表示向量相比其他对比算法,在下游分类任务中具有明显优势,并在章节最后讨论了相关参数对结果的影响。2.基于随机游走的网络表示学习算法对嵌入向量进行随机初始化,并利用随机梯度下降(SGD)方法进行优化,这种初始化方法会造成优化方向陷入局部最优的问题。本文结合网络结构提出了一种基于预训练以及聚合传播的节点嵌入向量初始化方法(BNPI),提高了嵌入向量在下游分类任务中的性能。并在真实的交易记录数据集中进行实验。实验表明这种初始化方法应用在包括Bipartitewalk在内的多个网络表示学习算法中时,相比随机初始化的方式具有明显提升。3.现有的异常用户检测方法依赖于人工构造统计特征,本文结合上文中提出的方法,将人工特征方法与网络表示学习方法结合,设计了一种可以同时利用用户属性信息与网络结构信息的异常用户检测模型,提出了一种基于阴影特征以及阴影标签的特征筛选算法筛选有效特征。最后在真实交易记录数据集中,验证了本文提出的混合特征模型相比统计特征模型具有明显优势,并在多个真实数据集中验证了本文提出的特征筛选算法的有效性。