Page 388 - 《软件学报》2026年第2期

邱天 等: 基于链路聚合的图欺诈检测 867

通过分析交易网络中的节点和边, 可以识别出如洗钱等潜在的非法活动, 为金融机构和监管部门提供有力的数据
支持. 训练集、验证集、测试集的划分比例分别为 45.86%、18.34%、35.80%, 遵循事务实体时间戳, 符合数据集
划分的官方建议.
● T-Finance 数据集最早由 Tang 等人 [17] 发布, 旨在查找金融交易网络中的异常账户. 这些节点是独特的匿名
账户, 具有与注册天数、日志活动和交互频率相关的 10 维特征. 图中的边连接有交易记录的两个账户. 如果节点
属于欺诈、洗钱和在线赌博等类别, 人类专家会将节点注释为异常. 训练集、验证集、测试集的划分比例为 40%、
20%、40%.
● T-Social 数据集同样由 Tang 等人 [17] 发布, 旨在查找社交网络中的异常账户. 它具有与 T-Finance 相同的节
点注释和功能, 并且两个节点如果保持好友关系超过 3 个月则相互连接. T-Social 的规模非常庞大, 拥有 578 万个
节点和 1.5 亿条边, 是本文使用的其他数据集的至少 100 倍, 具有很高的挑战性. 训练集、验证集、测试集的划分
比例分别为 40%、20%、40%.
● YelpChi 数据集 [41] 是基于 Yelp (美国最大点评网站, 具有较大的顾客群体和社会影响力) 的一个行为图数据
集, 数据集中个体特征与图结构化特征以稀疏矩阵的形式进行存储, 涵盖业务、评论、用户信息等. 该数据集被广
泛应用于金融风控、欺诈检测、反洗钱等研究任务中. 训练集、验证集、测试集的划分比例分别为 40%、20%、
40%.
● Amazon 数据集 [42] 是由亚马逊公司提供的大规模电子商务数据集. 与 YelpChi 数据集类似, 这个数据集包含
数百万个产品的信息, 涵盖了多个类别和品牌. 它的特点是提供了丰富的商品特征和用户评价, 包含 24 个产品类
别下的超过 1.4 亿条评论和产品元数据. 数据集使用乐器下的评论, 并将用户作为图的节点. 该数据集也被广泛应
用于欺诈检测任务的验证. 训练集、验证集、测试集的划分比例分别为 40%、20%、40%.
3.2 基准模型
本文将所提方法与非 GNN 模型、传统 GNN 模型、谱方法以及空间方法进行比较.
非 GNN 模型仅依据节点自身特征进行欺诈检测, 未考虑节点间复杂的连接关系. 本文选用经典的多层感知
机 (MLP) [43] 和随机森林 (RF) [44] 模型作为没有图信息情况下的基础模型.
传统 GNN 模型不仅考虑节点自身特征, 还会纳入邻居节点的信息, 通常通过聚合一阶邻居的信息来感知局
部连接模式以获取更多有用的信息. 本文选用 GCN [13] 和 GAT [15] 两个经典模型, 它们的区别在于对邻居节点权重
的计算方式, GCN 综合考虑入度和出度, 而 GAT 使用注意力机制.
另外, 本文方法还与目前先进的谱方法和空间方法进行比较. 谱方法包括 AMNet [16] 、BWGNN [17] 和 GHRN [18] ,
2
空间方法包括 CARE-GNN [19] 、PC-GNN [20] 、RioGNN [21] 、H -FDetector [22] 和 GDN [23] . 谱方法涉及利用图信号的不
同频率成分, 可通过自适应组合多频信号、分析光谱能量分布和利用标签感知边缘指标等手段, 设计特定机制以
优化或增强对图上欺诈信息的捕获与处理能力. 空间方法则主要关注节点间的空间关系, 通过利用标签感知相似
性度量、强化学习选择邻居、跨关系聚合、引入异构网络和新型信息聚合策略等手段, 提升图神经网络对欺诈行
为和关系的检测与识别能力. 这些方法在之前的图欺诈检测工作中表现出了很好的性能.
3.3 评价指标
考虑到欺诈数据集中正负样本不平衡, 评估指标应同时兼顾精确率 (precision) 和召回率 (recall), 本文采用
AUC 和 AP 两个评价指标来评估反欺诈模型的性能.
AUC (area under the curve) 通常指的是 AUC-ROC (area under the receiver operating characteristic curve), 即
ROC 曲线下面积. ROC 曲线是通过改变分类阈值, 绘制出真阳性率 (true positive rate, TPR) 与假阳性率 (false
positive rate, FPR) 之间的关系曲线.
AP (average precision), 即平均精度, 是基于 P-R (precision-recall) 曲线计算得出. P-R 曲线通过改变分类阈值,
绘制出精确率 (precision) 与召回率 (recall) 之间的关系. AP 是 P-R 曲线下面的面积, 反映了模型在不同阈值下的
平均精度. 欺诈检测数据集的正负样本通常是极度不平衡的, 由于欺诈行为 (正样本) 往往远少于良性行为 (负样
本), 一般模型会对良性行为产生高召回率, 此时 AUC 就会产生过于乐观的分数. P-R 曲线更能准确地反映模型对