Page 382 - 《软件学报》2026年第2期

邱天 等: 基于链路聚合的图欺诈检测 861

certain fraud detection capabilities, they overlook the crucial role of long-range association patterns of entities and fail to explore common
patterns among massive fraudulent paths, limiting comprehensive fraud detection capabilities. In response to the limitations of existing
fraud detection methods, this study proposes a graph fraud detection model called path aggregation graph neural network (PA-GNN), based
on path aggregation. The model includes variable-length path sampling, position-related unified path encoding, path interaction and
aggregation, and aggregation-related fraud detection. Several paths originating from a node interact globally and compare their similarities,
extracting common patterns among fraudulent paths, thus more comprehensively revealing the association patterns between fraudulent
behaviors, and achieving fraud detection through path aggregation. Experimental results across multiple datasets in fraud scenarios,
including financial transactions, social networks, and review networks, show that the area under the curve (AUC) and average precision
(AP) metrics of the proposed method have significantly improved compared to the optimal benchmark models. In addition, the proposed
method uncovers potential common fraudulent path patterns for fraud detection tasks, driving nodes to learn these important patterns and
obtain more expressive representations, which offers a certain level of interpretability.
Key words: graph neural network (GNN); fraud detection; path aggregation; attention mechanism; feature representation
随着信息技术的不断演进, 信息网络空间、人类社会空间与实体物理空间之间的三元交互融合日益加深, 导
致信息空间的风险显著外溢至人类社会和物理空间, 现象愈发严峻. 由于欺诈事件急剧增加, 欺诈检测 [1−5] 已成为
一个日益突出的研究领域. 欺诈行为涵盖了金融交易、社交网络以及评论网络中的各种形式. 金融欺诈包括虚假
宣传、内幕交易和操纵市场等手段, 旨在非法获取财富或操纵利益分配. 社交欺诈涉及虚构身份、伪造关系和欺
骗他人的信任, 以获取个人利益或满足欲望. 评论欺诈指的是在网络平台或社交媒体上, 通过发布虚假、夸大或误
导性的评论、评价或反馈, 以操纵公众舆论、影响消费者决策或提升特定产品、服务、个人或品牌的声誉. 这些
欺诈行为给社会带来了严重的负面影响, 导致经济损失、破坏信任关系、破坏公正竞争环境以及损害消费者权益
等问题. 因此, 打击欺诈行为和保护公众利益非常重要.
传统的基于专家规则的方法通过对数据进行分析和建模, 能够识别出一些常见的欺诈模式. 然而, 专家规则缺
乏对不同欺诈场景的通用性. 因此, 引入人工智能技术成为了解决欺诈检测问题的新思路. 深度学习 [6,7] 作为人工
智能技术的重要分支, 具有强大的数据处理和模式识别能力, 对欺诈检测展现出巨大潜力. 考虑到欺诈样本间存在
错综复杂的拓扑结构和依赖关系, 研究人员提出将图神经网络 (graph neural network, GNN) [8−12] 作为图深度学习解
决方案.
随着欺诈行为逐渐呈现出智能化、产业化、高度隐蔽性等新兴特征, 目前的深度图神经网络算法已愈发难以
满足欺诈检测的准确性要求. 对于欺诈检测的研究, 该问题的主要难点有: (1) 欺诈样本间实体通常具有高阶交互.
欺诈行为不是由单一的实体或简单的关系所构成的, 而是由多个实体通过复杂的交互作用共同形成的. 这种高阶
交互关系使得欺诈行为的识别和检测变得更加困难, 因为需要同时考虑多个实体和它们之间的关系, 以及这些关
系如何共同作用于欺诈行为. (2) 欺诈样本间依赖关系错综复杂. 这些依赖关系可能是隐式的, 也可能是显式的, 它
们共同构成了欺诈行为的复杂网络. 在这种复杂的依赖关系中, 一个实体的变化可能会影响其他多个实体, 进而改
变整个欺诈行为的模式. (3) 欺诈样本的高度隐蔽性. 欺诈者可能会采用各种手段来掩盖其欺诈行为, 如使用虚假
身份、伪造数据、隐藏关键信息等. 这些手段使得欺诈行为在表面上看起来与正常行为无异, 如果仅局限于分析
欺诈实体周围的局部信息, 将难以有效识别和检测这些经过精心伪装的欺诈活动. 这些特征共同构成了当前欺诈
检测研究的主要挑战.
对于传统的图神经网络, 无论是 GCN [13] 、GraphSAGE [14] , 还是 GAT [15] , 均属于局部网络范畴, 它们的共同局
限性在于无法有效处理具有长程依赖特性的图结构. 这是因为它们主要聚焦于一阶邻居节点的信息, 对全局信息
的利用相对有限, 不能很好地处理全图规模的任务. 此外, 传统图神经网络在多次迭代后会导致“过度平滑 (over-
smoothing)”的问题, 即节点表示趋于相似, 使模型容易受到无关噪声的影响并且缺乏可解释性. 近年来, 图欺诈检
测技术取得了显著进展, 主要可划分为谱方法和空间方法两大类. 谱方法侧重于利用图信号的不同频率成分, 通过
组合多频信号 [16] 、分析光谱能量分布 [17] 以及运用标签感知的边缘指标 [18] 等策略, 优化或增强对图上欺诈信息的
捕捉与处理能力. 相较于谱方法, 空间方法则更加关注节点间的空间关系, 采用上下文与关系融合 [19] 、类别平衡
与采样优化 [20] 、强化关系感知的邻居选择 [21] 、同质与异质连接管理 [22] 以及异常特征识别与限制 [23] 等手段, 提升