本文提出了一种名为 SHADEWATCHER 的自动化网络威胁检测系统。研究背景是现有基于数据来源分析的审计记录异常检测方法存在误报率高、依赖专家知识、检测信号粗糙等问题。核心创新在于识别了网络安全威胁检测与信息检索中推荐系统之间的结构相似性，将系统实体交互映射为用户-物品交互，从而通过预测系统实体对其交互实体的偏好来识别威胁。受推荐系统中利用物品侧信息建模高阶连接的启发，作者将这一思想迁移到网络威胁分析，并定制了 SHADEWATCHER 系统。该系统利用图神经网络从审计记录中挖掘高阶信息，提升检测效果；同时配备动态更新机制，以更好地泛化减少误报。实验在真实和模拟网络攻击场景下进行，结果表明 SHADEWATCHER 在精确率和召回率上均具有优势，并且能够在数秒内从近百万系统实体交互中定位威胁。