Page 381 - 《软件学报》2026年第2期

软件学报 ISSN 1000-9825, CODEN RUXUEW E-mail: jos@iscas.ac.cn
2026,37(2):860−874 [doi: 10.13328/j.cnki.jos.007423] [CSTR: 32375.14.jos.007423] http://www.jos.org.cn
©中国科学院软件研究所版权所有. Tel: +86-10-62562563

*
基于链路聚合的图欺诈检测

邱 天 1,2 , 贾凌翔 1,2 , 高 杨 1,2 , 冯尊磊 1,2 , 高 艺 1,2 , 宋明黎 1,2

1
(区块链与数据安全全国重点实验室 (浙江大学), 浙江 杭州 310027)
2
(杭州高新区 (滨江) 区块链与数据安全研究院, 浙江 杭州 310051)
通信作者: 冯尊磊, E-mail: zunleifeng@zju.edu.cn

摘 要: 随着信息技术发展, 信息网络、人类社会与物理空间交互加深, 信息空间风险外溢现象严峻. 欺诈事件激
增, 欺诈检测成为重要研究领域. 欺诈行为给社会带来了诸多负面影响, 且逐渐呈现出智能化、产业化及高度隐蔽
性等新兴特征, 传统的专家规则与深度图神经网络算法在应对上显得愈发局限. 当前反欺诈算法多从节点自身与
邻居节点的局部信息出发, 或聚焦于用户个体, 或分析节点与网络拓扑关系, 或利用图嵌入技术学习节点表示, 这
些视角虽然能具备一定的欺诈检测能力, 但是忽略了实体长程关联模式的关键作用, 缺乏对于海量欺诈链路之间
共性模式的挖掘, 限制了全面的欺诈检测能力. 针对以上欺诈检测算法的局限性, 提出一种基于链路聚合的图欺诈
检测模型 PA-GNN (path aggregation graph neural network), 包含不定长链路采样, 位置关联的统一链路编码, 链路
信息交互聚合, 以及聚合关联的欺诈检测. 从节点出发的若干链路之间通过全局模式交互与相似度比对, 挖掘欺诈
链路之间的共性规律, 从而更全面地揭示欺诈行为之间的关联模式, 并通过链路聚合继而实现欺诈检测. 在金融交
易、社交网络和评论网络这 3 类欺诈场景下的多个数据集上的实验结果表明, 所提方法的曲线下面积 (AUC) 和平
均精度 (AP) 指标相较于最优基准模型均有显著提升. 此外, 该方法为欺诈检测任务挖掘了潜在的共性欺诈链路模
式, 驱动节点学习这些重要的模式并获得更具表现力的表示, 具备一定的可解释性.
关键词: 图神经网络; 欺诈检测; 链路聚合; 注意力机制; 特征表示
中图法分类号: TP309

中文引用格式: 邱天, 贾凌翔, 高杨, 冯尊磊, 高艺, 宋明黎. 基于链路聚合的图欺诈检测. 软件学报, 2026, 37(2): 860–874. http://
www.jos.org.cn/1000-9825/7423.htm
英文引用格式: Qiu T, Jia LX, Gao Y, Feng ZL, Gao Y, Song ML. Path-aggregation-based Graph Fraud Detection. Ruan Jian Xue
Bao/Journal of Software, 2026, 37(2): 860–874 (in Chinese). http://www.jos.org.cn/1000-9825/7423.htm

Path-aggregation-based Graph Fraud Detection
1,2
1,2
1,2
1,2
1,2
QIU Tian , JIA Ling-Xiang , GAO Yang , FENG Zun-Lei , GAO Yi , SONG Ming-Li 1,2
1
(State Key Laboratory of Blockchain and Data Security (Zhejiang University), Hangzhou 310027, China)
2
(Hangzhou High-tech Zone (Binjiang) Institute of Blockchain and Data Security, Hangzhou 310051, China)
Abstract: With the development of information technology, the interaction between information networks, human society, and physical
space deepens, and the phenomenon of information space risk overflow becomes more severe. Fraudulent incidents have sharply increased,
making fraud detection an important research field. Fraudulent behavior has brought numerous negative impacts to society, gradually
presenting emerging characteristics such as intelligence, industrialization, and high concealment. Traditional expert rules and deep graph
neural network algorithms are becoming increasingly limited in addressing fraudulent activities. Current fraud detection methods often rely
on local information from the nodes themselves and neighboring nodes, either focusing on individual users, analyzing the relationship
between nodes and graph topology, or utilizing graph embedding technology to learn node representations. Although these approaches offer

* 基金项目: 国家重点研发计划 (2022YFB2703100)
收稿时间: 2024-08-16; 修改时间: 2025-02-05; 采用时间: 2025-03-03; jos 在线出版时间: 2025-07-30
CNKI 网络首发时间: 2025-07-31