Page 385 - 《软件学报》2026年第2期

864 软件学报 2026 年第 37 卷第 2 期

频率图信号而异常和正常节点则倾向于不同的频段的问题. Tang 等人 [17] 发现图异常导致光谱能量分布的“右移”
现象, 并据此提出了 BWGNN, 利用 Beta 图小波在光谱和空间域中生成带通滤波器, 以更好地捕获图上的异常信
息. Gao 等人 [18] 则关注于 GNN 在盲目平滑邻近节点表示时可能破坏异常判别信息的问题, 设计了一个标签感知
边缘指标来计算聚合后相似度得分, 并在此基础上修剪可能的异质性边缘. 在空间方法方面, Liu 等人 [19] 提出了
CARE-GNN, 通过结合上下文嵌入、邻域信息度量和关系注意力来分别解决欺诈者造成的上下文不一致、特征
不一致和关系不一致问题. Liu 等人 [20] 提出了 PC-GNN, 通过标签平衡采样器和邻域采样器, 解决了传统 GNN
中由于类别不平衡导致的特征稀释问题, 提高了对少数类 (欺诈者) 的检测性能. Peng 等人 [21] 提出的 RioGNN
则是一种新型图神经网络架构, 结合强化的关系感知邻居选择和标签感知神经相似性度量来改进表示学习并维护
2
关系相关表示. Shi 等人 [22] 则提出了 H -FDetector, 通过引入同质性和异质性连接, 并设计了一种新的信息聚合策
略, 分别在原型先验的指导下传播相似和不同的信息, 一定程度上解决了欺诈者隐藏在欺诈图中的问题. 最后, Gao
等人 [23] 观察到异常和正常节点之间的结构分布偏移程度有所不同, 提出了 GDN 方法, 该方法能够识别并限制关
键异常特征以减轻异质邻居的影响, 运用原型向量推断和更新异常特征分布, 同时限制正常节点的其余特征以保
持连通性并增强同质邻居的影响.

2 基于链路聚合的图欺诈检测模型

鉴于欺诈场景下欺诈实体间高阶交互的复杂性、依赖关系的错综复杂性及高度隐蔽性的特点, 以及主流图神
经网络算法在处理长程依赖图结构方面的局限性, 本文提出了一种基于链路聚合的图欺诈检测模型 PA-GNN. 该
模型由 4 个核心部分构成: 不定长链路采样、位置关联的统一链路编码、链路信息交互聚合以及聚合关联的欺诈
检测. 对于一张含有欺诈节点的图 (graph), 有以下情况.
在不定长链路采样中, 对于图中给定的一个待测节点, 以其为起点, 随机采样多条链路. 这些链路的长度和经
过的节点均具随机性, 以确保采样的多样性和广泛性. 在复杂关系网络图中, 节点的连接模式往往可以由少数关键
链路来有效表征. 因此, 根据链路上节点的重要性指标, 筛选出最具价值的 Top-K 条链路. 这些链路在表征节点连
接模式方面具有更高的代表性和信息量, 为后续共性欺诈模式的挖掘提供有力支持.
在位置关联的统一链路编码中, 把从不定长链路采样中筛选出的长度各异的链路, 通过统一且高效的方式编
码成相同长度的嵌入向量, 以确保后续处理的一致性和有效性. 为增强节点特征在所有节点中的相对位置信息, 引
入决策树分箱编码方法, 对节点属性值范围进行分组, 作为位置编码的依据, 并将位置编码融入链路的嵌入向量,
以达到节点位置标记与特征去噪的效果.
在链路信息交互聚合中, 首先利用链路间的自注意力机制 [39] 实现信息交互, 使链路嵌入之间能够相互传递和
接收信息, 进而自动挖掘出链路中存在的共性欺诈模式. 期望通过这种精细设计的信息交互过程, 使得欺诈链路在
嵌入空间中呈现出更加紧密的聚类效果, 即欺诈链路之间的相似度更高. 同时, 也希望欺诈链路与良性链路之间的
相似度尽可能低, 即它们在嵌入空间中保持较远的距离. 反之, 良性链路之间应表现出较高的相似度, 而与欺诈链
路保持明显的区分. 这样的设计有助于在后续的链路分析中更准确地识别和区分欺诈行为与良性行为. 接着执行
链路聚合, 将链路层面的信息整合提炼为节点层面的表征. 这一过程不仅保留了链路间的交互信息, 还为中心待测
节点赋予了一个富含上下文信息的表示. 这个表示中蕴含了节点在关系网络图中的连接模式、交互行为以及潜在
的欺诈或良性特征, 为后续的欺诈检测提供了丰富的信息基础.
最后在聚合关联的欺诈检测中, 引入欺诈检测器, 运用一层 MLP 与判别函数来识别聚合节点表示中隐藏的欺
诈模式. 这一步骤为欺诈检测提供了准确的判断和有力的依据, 从而实现对欺诈行为的有效识别和防范.
2.1 问题定义
G = (V,E) 为一张关系网络图, , , { } 分别代表节点集、
令 V = {v 1 ,v 2 ,...,v N } E = {e 1 ,e 2 ,...,e M } X = x v 1 , x v 2 ,..., x v N
{ }
D
边集和节点特征集, v n ∈ N 代表节点的编号, x v n ∈ R , D 为节点特征数. Y = y v 1 ,y v 2 ,...,y v N 是图 G 的节点真实标签
集. 本文聚焦于欺诈场景下的关系网络图, 图中节点分为良性与欺诈两类. 基于图的欺诈检测本质上是节点二分类