Page 392 - 《软件学报》2026年第2期

邱天 等: 基于链路聚合的图欺诈检测 871

增多会带来更好的模型性能, 但注意力头数量与链路编码长度的比值过大会增加计算负担, 同时也可能会导致性
能下降.
3.8 欺诈链路模式关联分析
由于隐私保护需求, 当前公开的图欺诈数据集仅包含脱敏后的节点特征, 原始详细特征因隐私限制无法获取.
因此, 本文对所提出欺诈检测方案的可解释性研究聚焦于欺诈链路模式的关联分析.
为了探究不同欺诈链路模式之间的潜在关联, 本文选用 T-Social 数据集, 并选取了 5 类欺诈链路模式, 分别
为: 欺诈-良性、欺诈-欺诈、欺诈-欺诈-良性-欺诈、欺诈-良性-欺诈和欺诈-良性-欺诈-良性-欺诈. 每类链路模式
下均采样 10 条链路, 总共组成 50 条链路. 经过链路编码后, 这些链路被送入链路信息交互聚合模块, 根据公式 (10)
( T )
中的 Softmax Q·K 计算链路之间的相关性得分. 结果可视化如图 3 所示. 热图的横纵坐标均代表参与自注意力
交互的链路的索引, 其中纵坐标是 query 的索引, 横坐标是 key 的索引. 在自注意力机制中, key 是 query 的副本.
如颜色条所指示的, 链路间的相关性得分介于 0–1 之间, 得分越高的区域越亮. 观察发现, 同一种链路模式下的所
有链路之间存在密切的关联. 同时, 相似的链路模式之间也可能存在共性关联.

0 1.0
采样×10
10
采样×10
欺
诈 20
链
路 采样×10 0.5
模 30
式
采样×10
40
采样×10
50 0
良性节点 欺诈节点 填充节点 0 10 20 30 40 50
图 3 T-Social 数据集上的欺诈链路模式相关性得分

(1) “欺诈-欺诈”与“欺诈-欺诈-良性-欺诈”链路模式之间存在较高的关注度, 可能原因在于这两种模式都涉及
连续的欺诈节点, 表明部分欺诈行为在网络中可能倾向于形成集群或连续的模式.
(2) “欺诈-良性-欺诈”与“欺诈-良性-欺诈-良性-欺诈”链路模式之间存在较高的关注度, 可能原因在于这两种
模式都展示了欺诈行为在网络中通过良性节点进行传播或隐藏的潜在策略. “欺诈-良性-欺诈”模式表明欺诈节点
可能利用良性节点作为跳板, 进行欺诈行为的扩散或转移, 从而增加欺诈活动的复杂性和隐蔽性. 而“欺诈-良性-欺
诈-良性-欺诈”模式则进一步揭示了欺诈行为可能在网络中形成更为复杂的传播链路, 通过多个良性节点的桥接,
构建出更加难以察觉的欺诈网络结构.
(3) “欺诈-良性”链路模式对于“欺诈-良性-欺诈”和“欺诈-良性-欺诈-良性-欺诈”链路模式存在较高关注度, 可
能原因在于“欺诈-良性”模式在某种程度上代表了欺诈行为的起始和存在, 是更复杂欺诈模式的基础. 因此, 当分
析更复杂的欺诈模式时, 如“欺诈-良性-欺诈”和“欺诈-良性-欺诈-良性-欺诈”, 自然会关注到它们是否由基础的“欺
诈-良性”模式发展而来.
(4) 与 (3) 相反, “欺诈-良性-欺诈”和“欺诈-良性-欺诈-良性-欺诈”链路模式对“欺诈-良性”链路模式几乎没有关
注, 可能原因在于这两种模式已经包含了比“欺诈-良性”模式更复杂的信息, 即欺诈行为如何通过良性节点进行传
播和隐藏. 这些信息已经超越了基础“欺诈-良性”模式的范畴, 因此, 在分析这两种模式时, 可能不会特别关注它们
是否包含基础的“欺诈-良性”模式, 而是更侧重于它们自身的复杂性和欺诈行为的传播策略.