Page 389 - 《软件学报》2026年第2期

868 软件学报 2026 年第 37 卷第 2 期

欺诈行为的识别能力, 获得误报会对 AP 值产生显著影响. 因此, 以 AP 作为评价指标, 在正负样本不平衡的情况下
具有显著优势, 它能够更直接地衡量模型在识别少数但重要的欺诈行为上的性能.
AUC 和 AP 值的范围均是 0–1, 值越接近 1 表示模型性能越好. 本文的所有数值结果以百分数 (%) 形式呈现,
范围为 0–100%.
3.4 实验设置
本文的模型参数设置见表 2, n_path (I) 代表初始采样链路个数, k_path (K) 代表筛选链路个数, l_path (J) 代表
链路最大长度, d_path (C) 代表链路编码长度, n_bin (B) 代表位置编码中的决策树分箱个数, n_attn 和 n_head 分别
代表链路自注意力层数和注意力头个数.

表 2 模型参数设置

数据集 n_path (I) k_path (K) l_path (J) d_path (C) n_bin (B) n_attn n_head
Elliptic 100 100 5 256 4 2 1
T-Finance 200 150 5 128 4 2 1
T-Social 200 100 30 64 32 2 8
YelpChi 200 200 20 256 32 2 8
Amazon 60 30 20 64 4 2 1

在训练参数设置方面, 所有实验均使用 Adam 优化器, 初始学习率为 1E–3, 权重衰减为 5E–4, 梯度裁剪范数
为 1.0. 采用 ReduceLROnPlateau 自适应的学习率调整策略, 在模型性能指标 (验证集上的损失或准确率) 停止改善
时自动降低学习率为原来的 0.5 倍. 控制每组对比实验采用完全相同的 batch_size, 从头开始训练 50 轮次, 并采用
自动混合精度 (AMP) 策略来加快训练速度. 所有数值结果是 3 个不同随机种子下测试集上的平均值. 本文的实验
环境为 NVIDIA GeForce RTX 3090 GPU 和 Intel(R) Xeon(R) Silver 4210R CPU @ 2.40 GHz.
3.5 实验结果与分析
本文提出的反欺诈模型 PA-GNN 在金融交易欺诈数据集 Elliptic、T-Finance, 社交网络欺诈数据集 T-Social,
以及评论网络欺诈数据集 YelpChi、Amazon 上, 与非 GNN 模型 MLP、RF, 传统 GNN 模型 GCN、GAT, 谱方法
2
AMNet、BWGNN、GHRN, 以及空间方法 CARE-GNN、PC-GNN、RioGNN、H -FDetector、GDN 进行了全面
的性能对比, 以验证本文方法的有效性与先进性. 如表 3 所示, 由实验结果可得以下结论.

表 3 本文方法 (PA-GNN) 与基准模型性能比较 (%)

金融交易 社交网络 评论网络
类别 方法 Elliptic T-Finance T-Social YelpChi Amazon
AUC AP AUC AP AUC AP AUC AP AUC AP
MLP 80.08 61.71 91.31 65.95 67.78 5.28 68.27 29.18 92.62 66.23
非GNN
RF 82.69 65.20 94.42 81.16 80.38 42.50 89.47 69.77 94.47 83.02
GCN 85.28 38.27 92.34 78.47 91.72 56.35 60.99 24.89 80.89 29.68
传统GNN
GAT 76.54 27.15 92.89 78.94 93.40 52.26 73.98 34.86 94.50 85.16
AMNet 88.89 69.49 95.72 83.41 － － 83.57 52.85 97.90 87.87
谱方法 BWGNN 89.63 48.39 96.29 85.50 97.77 79.53 90.64 68.05 98.08 88.52
GHRN 89.95 55.20 96.76 83.78 98.26 87.66 90.59 66.68 97.15 89.84
CARE-GNN 87.84 37.19 89.95 61.84 78.32 41.15 83.99 52.96 96.96 85.64
PC-GNN 88.52 34.70 89.90 65.11 89.29 51.40 81.75 49.06 95.46 84.85
空间方法 RioGNN 86.35 29.06 91.30 62.60 81.74 17.62 85.72 56.45 96.91 87.62
2
H -FDetector 63.18 10.53 － － － － 89.88 57.48 96.05 84.94
GDN 88.67 65.21 95.82 85.69 88.43 52.34 90.42 67.38 97.26 86.78
91.08 75.52 97.24 89.58 99.60 96.01 91.86 73.58 98.12 92.43
链路聚合 PA-GNN
+1.13 +6.03 +0.48 +3.89 +1.34 +8.35 +1.22 +3.81 +0.04 +2.59
注: “加粗”和“下划线”分别表示“最好”和“次好”; “－”表示“显存溢出”