将图神经网络应用到生活中，以线上平台举例子：
交互行为有三种：发表评论，购物，加进购物车。每个user是一个节点，在不同交互行为的图中user节点与user节点是否连接取决于其对应的交互行为是否完全相同。
第一个亮点，通常来说图卷积操作是会过滤掉高频信号，而异常图中高频信号比普通图多，这对于检测异常图十分不利。为此转弊为利，我们将一组图卷积网络输出的嵌入向量z做内积进行重构，与原图误差越大证明是异常图的可能性越高，因为异常图在图卷积中的损失更多。值得一提的是，为了更好的剔除高频信息，特意丢弃了图卷积操作间隙中的非线性变换。
第二个亮点，因为图中含有多种交互行为，因此分视图进行神经网络处理，结构检测一直是分开做，但属性检测考虑到user的不同交互行为可能存在联系，举例说明，某用户的评论行为特别多，如果每个交互行为单独分析，很有可能得出该用户是水军（异常）的推断，但如果与此同时该用户的购买行为也同样高，则该用户就回被推断为正常用户。因此，我们采用注意力机制统筹所有交互层次的嵌入向量z
第三个亮点，重构图的结构误差使用的是l1范数，属性的误差使用的是欧几里得范数
