Page 384 - 《软件学报》2026年第2期

邱天 等: 基于链路聚合的图欺诈检测 863

图欺诈检测模型 PA-GNN. 第 3 节通过一系列对比实验验证了所提出的 PA-GNN 在不同欺诈场景下的有效性、
泛化性与可解释性. 最后在第 4 节总结全文.

1 相关工作

1.1 图神经网络
考虑到样本间存在错综复杂的拓扑结构和依赖关系, 研究人员提出图神经网络 (GNN) [8−12] , 通过学习图数据
之间的关系, 实现了对非结构化数据的分析和处理, 并将其广泛应用于各类下游任务, 如图分类 [24] 、链路预测 [25] 、
节点分类 [26,27] 、内容推荐 [28,29] 等. GNN 建立在消息传递的基础上, 通过使用神经模块递归聚合邻域信息来更新目
标节点的表示. GNN 具有挖掘实体之间深刻的依赖性和相关性的能力, 所以基于 GNN 的欺诈检测成为新的主流
方法. 图卷积网络 (GCN) [13] 是最早提出的经典 GNN 算法之一. 它通过利用图卷积操作来聚合节点的邻居信息, 从
而更新节点的表示. 图采样与聚合 (GraphSAGE) [14] 是一种改进的 GCN 算法. 它通过采样节点的邻居子图, 然后聚
合各个节点的特征进行更新, 相比于 GCN 具有更好的扩展性. 图注意力网络 (GAT) [15] 是另一种经典的 GNN 算法.
它引入了注意力机制来学习中心节点对邻居节点的交互权重, 从而更好地适应图中节点之间的关联, 相比于 GCN
和 GraphSAGE 具有更好的表达能力. 但是无论是 GCN、GraphSAGE, 还是 GAT, 它们都是局部网络, 其缺点是无
法处理具有长程依赖的图结构, 因为它们只考虑了一阶邻居节点的信息, 对于全局信息的利用较为有限. 欺诈样本
间实体通常具有高阶交互, 且具有错综复杂的依赖关系以及高度隐蔽性, 仅靠局部信息无法准确识别欺诈行为. 因
此, 针对这一缺点, 仍然需要进一步研究和改进 GNN 算法.
1.2 图欺诈检测算法
基于图的反欺诈算法 [1−5] 可以抽象为给定关系网络数据, 从中查找异常的节点. 本节首先回顾基于结构特征和
图表示学习的传统图欺诈检测算法, 随后介绍基于谱方法和空间方法的最新检测技术.
传统的基于图的反欺诈算法主要依赖于结构特征. 节点的重要性通常与欺诈风险紧密相关, 因此, 识别网络中
的关键节点对于有效的欺诈检测至关重要. 常用的节点重要性评价指标有中心性度量和 PageRank [30] 等. 中心性度
量又分为度中心性、加权度中心性、介数中心性 [31] 、接近中心性和特征向量中心性 [32] , 这些常用的节点重要性
评价指标可以帮助了解网络中节点的重要程度. Drezewski 等人 [33] 聚焦于银行金融交易, 利用上述节点重要性特
征表示网络结构, 识别用户在交易网络中的角色, 揭示可疑的洗钱参与者. Wang 等人 [34] 提出了一种通过检查交易
网络中用户账户的 EgoNet 特征来检测异常交易行为的方法, 然后使用 Mahalanobis 距离来衡量用户账户与正常
行为的偏离程度. Wang 等人 [35] 提出一种基于网络图结构的无监督异常检测算法 GBKD-Forest, 提取出入度、边
连接以及 EgoNet 这 3 类结构特征, 在 Bagging 方法内随机抽取特征建立 KD-Tree 森林, 隔离出异常样本. 这类方
法只能识别与已知欺诈模式相似的欺诈行为, 在识别未知欺诈类型方面存在着局限性, 且通常需要手动设置的中
心度/相似度阈值, 无法很好地通用于各种欺诈场景.
为了克服传统方法的局限性, 基于图表示学习的反欺诈方法逐渐受到关注. 这类方法利用图表示学习技术将
节点或实体在图中的结构特征映射到低维嵌入空间中, 以便更好地揭示欺诈行为的潜在模式和规律. 经典的图嵌
入模型包含 DeepWalk [36] 和 Node2Vec [37] 等. 使用这些模型可以获得节点嵌入, 然后再利用传统的分类方法对所得
[36]
到的低维特征数据进行分析, 以实现欺诈检测的目标. DeepWalk 是一种流行的图嵌入算法, 旨在学习图中节点
的连续表示. 它利用随机游走和语言建模的概念, 将图的结构信息编码为低维向量表示. 首先从图中的每个节点开
始生成多条随机游走路径, 将这些路径视为句子. 然后, 它应用自然语言处理中的 skip-gram [38] 模型, 根据随机游走
中节点的共现关系来学习节点的向量表示. Node2Vec [37] 通过引入一种灵活的偏好随机游走策略来扩展 DeepWalk.
Node2Vec 不仅执行纯随机游走, 还探索了同质性和结构等效性邻域. 它通过引入两个超参数来控制深度优先和广
度优先对图的探索权衡, 捕捉图中编码的结构属性.
近年来, 先进的图欺诈检测技术主要可以分为谱方法和空间方法两类. 在谱方法方面, Chai 等人 [16] 提出 AMNet,
一种新型的自适应多频图神经网络, 旨在自适应地组合每个节点的多个频率信号, 以解决现有 GNN 仅考虑单一