Page 383 - 《软件学报》2026年第2期

862 软件学报 2026 年第 37 卷第 2 期

图神经网络对欺诈行为和关系的检测与识别能力. 上述方法在图欺诈检测的先前研究中均展现出了优异的性能.
然而, 从本质上来说, 上述方法也都仅考虑了低阶邻居信息, 其“感受野”相对有限. 对于更为隐蔽复杂、涉及长程
链路关联的欺诈行为, 它们往往难以有效应对. 因此, 为了提升检测精度, 有必要将分析范围扩展到更广泛的上下
文信息.
为了有效检测欺诈行为, 需要采用更全局的检测技术, 来挖掘和识别隐藏在大量数据中的欺诈模式. 如何更有
效地捕捉和利用图数据中的长程依赖关系仍是一个重要的研究方向. 针对上述图欺诈检测存在的问题, 本文提出
了一种基于链路聚合的图欺诈检测模型 PA-GNN (path aggregation graph neural network), 如图 1 所示. PA-GNN
由 4 个部分构成: 不定长链路采样、位置关联的统一链路编码、链路信息交互聚合和聚合关联的欺诈检测. 首先
从某待测节点出发, 通过随机游走采样若干条长度不等的链路, 这些链路可能包含共性欺诈模式. 进一步地, 通过
对链路根据链路重要程度进行进一步筛选, 选出一批高质量的链路. 然后, 对所有链路进行编码, 得到统一长度、
位置关联的嵌入表示. 接着, 进行全局链路信息交互与相似度比对, 挖掘欺诈链路间的共性规律, 以更全面地揭示
欺诈行为间的关联模式, 再通过相似度加权之后的各条链路进行聚合作为中心待测节点的特征. 最后, 基于聚合关
联的特征, 引入由多层感知机 (MLP) 与判别函数组成的欺诈检测器, 实现节点层面的欺诈检测. 相比其他
“局部感知模型”, 本文方法的优势在于拥有更大的“感受野”, 能够通过全局信息交互来自动挖掘隐蔽的欺诈模式,
且有效规避了“过度平滑”的问题. 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, 相较于最优基准模型, 本文方法在曲线下面积 (AUC) 和平均精度 (AP) 指标上均有显著提升. 此外, 本文
方法具备一定的可解释性, 可以为欺诈检测任务挖掘潜在的共性欺诈链路模式, 从而驱动节点学习这些重要的模
式并获得更具表现力的表示.

待测节点

位 欺诈检测器
置
编
码

概
率
决策树分箱
良性/欺诈模式
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 聚合关联的欺诈检测
良性节点 欺诈节点 填充节点 节点特征 位置编码 链路方向
图 1 基于链路聚合的图欺诈检测模型 PA-GNN 框架图

综上所述, 本文所提出的基于链路聚合的图欺诈检测模型 PA-GNN 的主要贡献如下.
(1) 采用长距离链路采样编码、链路信息交互与聚合的方式, 针对欺诈场景下欺诈实体高阶交互、依赖关系
错综复杂及高度隐蔽性的特点, 弥补了主流 GNN 算法无法处理长程依赖图结构的不足.
(2) 方法可广泛应用于金融交易、社交网络和评论网络等欺诈场景, 且相较于其他主流欺诈检测方法, 可以有
效地实现性能的大幅提升.
(3) 方法具备一定的可解释性, 通过全局模式交互与相似度比对, 挖掘欺诈链路间的共性规律, 可以更全面地
揭示欺诈行为间的关联模式.
本文第 1 节介绍图神经网络以及图欺诈检测的相关技术和研究现状. 第 2 节介绍本文构建的基于链路聚合的