论文学习笔记6：Relation-Aware Heterogeneous Graph Neural Network for Fraud Detection

---

Abstract

欺诈检测是金融和社交媒体领域的一项重要数据挖掘任务。传统的机器学习方法仅根据单个节点的特征来预测风险。基于图的方法的最新进展允许考虑相关节点的特征，从而提高了预测的准确性。特别是图神经网络（GNN）在基于图的欺诈检测任务中表现出了很高的性能。

然而，由于社交网络的复杂性和异构性，它在性能和效率方面面临着巨大挑战。本文介绍了一种使用关系感知异构图神经网络（RHGNN）模型进行欺诈检测的新方法，该模型能有效处理以异构图表示的复杂输入数据。

我们的模型利用计算图预处理和混合传播方案，为 GNN 集成了特征和拓扑信息，从而实现了精确和可扩展的欺诈检测。

具体来说，我们首先使用关系感知节点映射还原法对计算图进行预处理。

然后，我们使用混合传播方案，该方案在降低复杂性的同时优化了邻域节点的收集，并保持了图数据的欺诈模式。
这是通过交替关注输入图中的 1 跳邻居和 2 跳邻居来实现的，从而在不产生典型计算开销的情况下增强模型。

我们采用随机投影还原法来有效管理特征维度，确保模型即使在处理大规模图形数据时也能保持高效。

在亚马逊、Yelpchi 和 T-Finance 等多个数据集上的实验结果表明，我们的模型在欺诈检测准确率方面优于现有方法。

一、Introduction

欺诈行为检测可用于金融和社交媒体，以减少经济损失。例如，信用卡欺诈是金融业的一个主要问题,每年给全球造成重大经济损失 [4,7]。随着数字交易的增长，欺诈行为的复杂性和数量也在不断增加，因此需要有效的检测系统来保护消费者的信任和金融诚信[32]。随着数字交易的增长，欺诈行为的复杂性和数量也在不断增加，因此需要有效的检测系统来保护消费者的信任和金融诚信[32]。随着电子商务和数字银行业务的发展，欺诈技术也在不断演变，因此需要建立健全的欺诈检测机制[24]。因此，检测欺诈已成为数据挖掘的关键。

欺诈检测系统可根据其方法进行分类。早期的系统采用基于规则的方法，对典型的欺诈行为进行硬编码 [33]。随着欺诈策略的发展，机器学习技术被纳入其中，从而可以根据历史数据进行自动检测[1]。最近，深度学习方法在检测复杂欺诈模式方面有了显著改进[6]。这些系统对大量数据进行分析，以识别表明欺诈行为的隐藏模式和异常现象。

图神经网络（GNN）的使用为欺诈检测引入了一种新模式，它利用节点之间的关系和连接模式来提高检测的准确性[34]。这种向关系数据分析的转变不仅强调了解单个节点，还强调了解它们之间的联系。

传统的基于规则的欺诈检测系统定义了明确的条件，在满足这些条件时触发警报。这些系统源于已知的欺诈模式和专家知识，直接但僵化，缺乏灵活性，无法在不进行人工更新的情况下适应新的欺诈策略[20]。

基于机器学习的方法提供了一种动态方法，通过学习历史数据，随着时间的推移自动调整和改进检测算法[2]。决策树、神经网络和支持向量机等技术已得到广泛应用，能够检测规则集中未明确定义的复杂欺诈行为 [6,7]。这种适应性使机器学习方法能够有效地应对不断变化的欺诈策略，并根据新数据不断完善其模型。

欺诈检测领域的最新进展是整合了基于图的方法，利用节点之间的关系更有效地检测欺诈行为。这些方法不仅考虑单个节点的特征，还考虑它们在网络中的关系，从而捕捉到传统方法通常会忽略的复杂模式。

特别是 GNN，通过利用真实世界网络中的连接数据，已显示出检测欺诈活动的卓越能力 [5,15]。GNN 将深度学习原理应用于图形数据，允许信息跨节点传播，使系统能够识别表明欺诈的可疑链接模式 [19,35]。这种关系式方法有利于检测欺诈交易相互关联的有组织欺诈团伙。

注意力机制和节点嵌入等创新进一步增强了这些方法的功效，使人们对图中的节点关系有了细致入微的了解.

现有的基于图的欺诈检测方法尽管很成功，但也面临着一些局限性。许多方法效率低下，尤其是在扩展到金融系统中常见的大型数据集时[35]。处理大型图的计算复杂性，尤其是多次迭代，会导致处理时间过长。现实世界的图通常是异构的，各种类型的节点和边代表不同的实体 [19]。

比如图 1，金融欺诈检测任务中有三种类型的节点。大多数 GNN 假设图结构是同质的，过度简化了现实生活中的网络。这会导致关键信息的丢失，降低欺诈检测的效率。

针对这些局限性，本文介绍了一种新颖的关系感知异构图神经网络（RHGNN）模型，以解决现有基于图的欺诈检测方法的不足之处。

我们的模型通过识别和处理不同类型的节点和边，将其视为不同但相互关联的组件，从而处理现实世界图的异质性。通过利用计算图预处理和混合传播方案，我们的方法提高了整个计算图的信息处理效率，减少了计算开销，提高了可扩展性。随机投影缩减的集成可管理特征维度，即使在扩展到大型数据集时也能保持效率。

解决异质性和提高计算效率的双重重点使我们的方法与众不同，为在广阔的现实世界网络中检测欺诈活动提供了更强大、更可扩展的解决方案。最后，在亚马逊、Yelpchi 和 T-Finance 等基准数据集上进行的大量实验证明，在检测欺诈交易的准确性和效率方面，我们的方法优于现有的基于图的技术。

本文的贡献是多方面的，具体如下：
I) 我们描述了现实世界网络中欺诈模式的复杂性，强调了对能够有效处理图数据异质性的模型的需求。

II) 我们引入了关系感知异构图神经网络模型。该模型结合了计算图预处理和混合传播方案，以提高特征传播效率，并包括随机投影缩减，从而在不损失性能的情况下管理特征维度。

III）我们的方法在亚马逊、Yelpchi 和 T-Finance 等多个基准数据集上进行了严格测试，与现有的先进欺诈检测技术相比，我们的方法在欺诈检测准确率方面表现出色。

二、Preliminaries

在本节中，我们将定义本文中使用的符号和术语。我们重点讨论异构图背景下的欺诈检测问题。我们还将在本节中讨论相关工作。

2.1Problem Definition

传统的基于图的方法将输入数据视为同质图来预测潜在的欺诈活动，与此不同，我们的模型将现实世界的图表示为异质图，由现实世界的交易或数据库自动生成。

在这些异构图中，节点表示单个实体（如用户/交易/商户），边表示它们之间的关系，以每种边类型 Ri 的邻接矩阵 ARi 的形式编码。因此，在这一部分，我们正式定义了异构图和元路径背景下的欺诈检测问题。表 1 总结了所有术语。

异质图：异质图定义为 G = (V，E，A，R)，其中 V 是节点集，E 是边集，A 是节点类型集，R 是边类型集。每个节点 v∈V 都属于一个特定的节点类型 A∈A，每条边 e∈E 都属于一个特定的边类型 R∈R。例如，金融异构图有三种类型的节点，即卡、商户和交易。

元路径：元路径 P 是节点类型和边类型的序列，其形式为 A1 -R-1 → A2 -R-2 → - - Rl-1 —→ Al，其中 Ai∈ A，Ri∈ R。例如，在金融异构图中，元路径可以由卡 -R-1 → 交易 -R-2 → 商户组成。

基于图的欺诈检测：给定一个代表现实世界关系的异构图 G，其中节点代表用户、商家和交易等实体，边代表交易发生和用户-交易关联等关系，目标是预测交易节点 t∈V 是否为欺诈。这可以表述为一个二元分类问题，模型为每个交易节点 t 指定一个标签 yt∈ {0, 1}，其中 yt = 1 表示欺诈交易，yt = 0 表示合法交易。我们的目标是开发一个端到端模型，利用图的异构性和元路径捕捉到的复杂关系，准确高效地识别欺诈节点。

2.2Related Works

Non-graph Based Fraud Detection.
人们利用各种机器学习和统计技术对基于非图的欺诈检测进行了广泛研究。传统方法包括监督学习方法，如逻辑回归[10]、决策树[8]和支持向量机[22]，这些方法依赖于从输入数据中提取的人工特征[11]。

最近，深度学习技术被用于从原始欺诈检测数据中自动学习复杂特征，从而提高欺诈检测系统的准确性[6]。然而，这些深度学习方法通常只关注单个实体，并没有充分利用实体（如用户和交易）之间的关系。我们的研究利用先进的异构图神经网络（HGNN）来捕捉 "跨用户 "信息，提供更全面的欺诈活动视图，从而解决了这一局限性。

Graph-Based Fraud Detection.
基于图的方法能够捕捉实体之间的关系，因此在欺诈检测中颇受欢迎。这些方法将输入数据表示为图形，其中节点代表实体（如用户、交易），边代表关系（如交易链接）。

图卷积网络（GCN）和图注意力网络（GAT）等技术已被应用于欺诈检测，并显示出比传统方法更高的性能[29]。

CARE-GNN [5] 被提出来为基于图的欺诈检测任务选择更好的邻居。
PCGNN [15] 被设计用来解决欺诈检测中的节点标签不平衡问题。BW-GNN [25] 被提出来解决图异常检测中的 "右移 "问题。
GTAN [34] 是为图中的半监督欺诈检测而设计的。

然而，这些方法通常假设图结构是同质的，可能无法充分利用现实世界金融交易网络中固有的异质性。我们的工作通过采用可扩展的异构图神经网络（HGNN）来解决这一局限性，HGNN 可有效处理金融图中存在的各种类型的节点和边。

通过利用这些图的异质性，我们的模型可以捕捉到不同类型实体之间更复杂、更真实的互动。重要的是，这种增强的建模能力是在不显著增加计算成本的情况下实现的，这使得我们的方法在大规模信用卡欺诈检测中既实用又高效。

三、Proposed Method

本节将介绍我们提出的使用关系感知异构图神经网络（RHGNN）模型进行欺诈检测的方法。本节包括模型架构、计算图预处理、异构传播以及欺诈检测和优化。

3.1Model Architecture

与其他基于图的欺诈检测技术不同，我们在欺诈检测任务中将真实世界的数据视为异构图.，比如图2：

关系感知异构图神经网络模型（RHGNN）的总体框架。
(1) 预计算阶段：为了充分利用混合传播的效率，RHGNN 的主要框架由交替传播迭代组成，其中我们引入了随机投影缩减（Stochastic Projection Reduction）组件来管理更新顶点表示的降维。为了利用特定关系信息的粒度来减少信息丢失，我们引入了一种混合传播方案，即交替关注 1 跳和 2 跳邻居，分别收集基于不同关系上下文的邻居信息。

（2）训练阶段：经过 K 次迭代后，收集到的（目标顶点的）邻居信息将作为异构图编码器的输入，生成目标顶点的顶点表示，从而提高模型准确高效地检测欺诈活动的能力。

在信用卡欺诈检测应用中，交易节点是 "目标 "节点，卡和商户节点是其他类型的节点。得益于随机投影异构图神经网络（RpHGNN）[9] 的成功，我们的模型架构充分利用了异构图神经网络（HGNN）的优势，以捕捉欺诈检测输入数据中复杂多样的交互作用。

该架构集成了高效的关系感知预计算和异构图神经网络，可实现精确、可扩展的欺诈检测。我们模型的核心组件包括：

关系感知节点映射
这部分涉及一个传播方案，利用不同的本地关系来收集潜在的欺诈信息。对于每种节点类型，我们都会识别相关的边缘类型，并应用消息传递来收集和汇总邻居信息，这有助于为每个节点构建丰富的特征表示。

随机节点降维
为了管理聚合邻居信息的高维度，该方法采用了随机降维技术。通过应用随机节点缩减技术，它能有效降低特征空间的维度，同时保留基本信息，这对保持计算效率和模型性能至关重要。

关联节点内卷积
在同一类型的关系中，这种卷积操作通过指定的过滤器处理特征。它聚合了同一关系类型下直接相邻节点的本地化特征信息，用特定于上下文的信息增强了节点的特征表示，这些信息对于识别欺诈模式至关重要。

异质节点信息传播
这一关键步骤在异构图中的各种节点类型和关系之间传播信息。它采用元路径来指导聚合过程，整合整个图中各种复杂的交互。这种全面的聚合使模型能够捕捉和利用真实世界数据结构所特有的细微动态。

3.2Computation Graph Pre-process

在训练模型之前，我们对计算图进行了预处理，以优化异构图神经网络操作在欺诈检测中的效率和效果。

Relation-Aware Node Mapping.

Stochastic Node Reduction.

随机节点降维技术的核心是通过引入随机投影矩阵，确保节点表示的维度不会随着层数的增加而无限增长。这种方法在保证信息完整性的前提下提高了计算效率，对于处理大规模异构图具有重要作用。

3.3Heterogeneous Propagation

Hybrid Propagation Scheme

Intra-Relation Node Convolution
确认传播方案后，在这一步中，我们在同一类型的关系中执行卷积操作。对于给定的关系类型 R∈ R，我们将关系内卷积定义为：

Heterogeneous Node Information Propagation
这一过程在不同类型的节点和边上传播信息，确保模型捕捉到金融图谱中跨越不同实体的复杂互动。让 H(l+1) 成为第 l + 1 层的汇总特征矩阵

其中，信息由多个关系和节点聚合而成，并以定义了要遵循的关系序列的元路径为指导。