基于图神经网络的银行交易欺诈检测方法

随着电子支付的迅速发展,欺诈问题日益增多。传统欺诈检测方法受限于规则和特征工程,难以捕获复杂的交易模式。相反,基于图的方法虽然强调了数据的关系性,但通常忽略了特征工程的重要性。为了解决这个问题,提出一种端到端的电信诈骗检测方法——基于图神经网络的银行交易欺诈检测方法。该方法设计了一个针对图数据的特征工程,并利用融合模型对其进行训练。具体来说,使用过采样和设置节点权重的方式对银行交易数据进行不平衡处理,然后采用改进的自适应相似度边和节点度权重融合策略,构建用户交易图数据并挖掘交易节点间的潜在关联信息,最后综合局部特征和全局特征通过模型融合来弥补单一分类器的不足。实验结果表明,在广西玉林银行的交易数据中,所提模型对于交易欺诈数据的检测在F1分数、召回率、AUC 3个指标上相比GraphSAGE分别提升1.65,1.36,4.2个百分点,图数据构建时间缩短了80%左右,与其他主流的检测算法相比也取得了更高的检测精度。