移动广告作为一种依托于智能终端的新型营销方式,与传统媒体相比具有精确性、互动性、灵活性以及个性化等特点。然而,在按行为付费的模式中,恶意的移动广告发布者通过人工或程序模仿合法用户进行虚假广告点击或应用下载等操作,以增加其广告收入,这种移动广告欺诈行为对移动广告市场构成严重威胁。由于欺诈技术发展迅速,识别欺诈的发布者非常具有挑战性。当前,广告欺诈检测已成为移动广告服务中亟待解决的问题。由于对结构化数据有良好的表示能力且具有鲁棒性,基于图结构数据的图分析方法被应用于异常和欺诈检测。传统基于图结构的分析方法在大规模图中效率较低,且现有的深度学习等有效方案难以直接应用于图结构数据的分析,图嵌入方法为图中的节点学习一个低维空间中的有效向量表示,从而更好地支持后续图数据分析。本文针对移动应用广告的欺诈问题,在分析移动应用广告系统用户、应用和广告之间关联关系的基础上,构建了一种移动应用广告有权异构图,然后提出了一种基于元路径随机游走的有权异构图嵌入算法(WMP2vec),解决该有权异构图的节点表示学习问题。在元路径随机游走阶段,通过加入权重偏移因子,约束节点传播概率,加强节点表示的准确性。本文在真实的移动应用广告数据集中对WMP2vec算法进行实验,实验结果表明WMP2vec优于其他几种基于随机游走的图嵌入对比算法,此外,本文还讨论了WMP2vec算法中的参数对算法效果的影响。WMP2vec算法学习了移动应用广告不同实体之间的关联关系,但移动应用广告数据中除了图结构信息,还包含其他基本属性信息,为了提高移动应用广告欺诈检测的准确性,本文提出一种基于图嵌入和深度学习的混合欺诈检测模型(EHM),通过卷积神经网络,同时考虑移动应用在异构图中的关联属性和基本属性。本文提出的模型使用深度学习框架TensorFlow实现,并在真实的移动广告数据集中进行了实验,实验结果显示,EHM对移动广告欺诈检测的效果优于其他几种流行的有监督分类方法。最后,本文对EHM中的参数进行了讨论。