基于图异常检测的互联网金融诈骗用户识别研究_.pdfVIP

摘要

互联网金融，借助互联网技术与平台，为个人和企业的金融活动提供了很多便

利。然而，这种新型的金融模式也存在诸多风险，互联网金融交易平台上诈骗用户

的存在不仅会造成个人和交易机构的财产损失，严重时还可能影响公众对整个金融

体系的信任。由于互联网金融交易涉及众多新兴技术，传统的人工识别方法难以应

对，因此，大数据技术和机器学习方法被广泛应用于互联网金融交易诈骗的识别与

预防工作中。这些技术的应用，有助于提升诈骗识别的准确性和效率，维护金融市

场的稳定与安全。

现有主流研究将互联网金融诈骗用户识别视为二分类问题，使用机器学习算法

来构建分类器。然而，金融交易平台上用户数据呈现极度不均衡现象，导致这类分

类模型在识别诈骗用户时性能往往偏低。目前，图神经网络算法在数据特征挖掘上

更具优势，能同时关注用户的内容特征和用户间关系（网络结构），但仍未有效解

决数据集不平衡问题。针对数据集的极度不均衡特点，本研究将互联网金融诈骗用

户识别任务建模为图异常检测问题，结合谱图理论，运用Beta小波图神经网络模型

BetaWaveletGraphNeuralNetwork，BWGNN），进行互联网金融交易诈骗用户识

别。本文具体开展了如下工作：

（1）构建互联网金融交易图。由于信息安全原因，本文以信也科技的公开数

据集Dgraph为基础进行构建。本文将用户间紧急联系人关系以COO稀疏矩阵方式

存储，作为用户的网络结构；将用户ID等的属性特征与交易信息等的活动特征作

为用户的内容特征，构建互联网金融交易图。同时，由于Dgraph数据集将交易平

台上从未有过交易记录的用户单独划分出来，忽略了此类用户的交易意愿，也使得

此类用户的特征难以充分发挥作用，本文将此类用户划分入正常用户。

（2）不同于多数图异常检测模型在空域角度上展开研究，本文从谱域视角出

发，结合谱图理论，在本文构建的互联网金融交易图上验证了图数据中的异常，能

够引起频谱能量分布“右移”这一效应。具体而言，图数据中异常节点的存在，会导

致频谱能量在低频段分布减少，而在高频段分布增多。Beta小波图神经网络BWGNN

正是基于这一效应，实现了对图上异常的检测。

（3）利用频谱能量分布“右移”效应，将模型BWGNN应用于本文构造的互

MLPGATGCN

联网金融交易图，进行诈骗用户识别研究，并与基准模型、、和

GraphSAGE进行对比。与基准模型中效果最好的GraphSAGE相比，BWGNN模型

在指标MF1上有7.36%的提升。实验结果表明，将互联网金融交易的诈骗用户识别

I

这一数据集类别不均衡的任务建模为异常检测问题是非常有效的，BWGNN模型在

互联网金融交易诈骗用户检测中存在实际应用价值。

关键词：互联网金融；诈骗用户识别；图异常检测；谱图理论

II

Abstract

Internetfinance,withthehelpofinternettechnologyandplatforms,providesalot

ofconvenienceforthefinancialactivitiesofindividualsandenterprises.However,this

newfinancialmodelalsohasmanyrisks,andtheexistenceoffraudusersontheinternet

financialtradingplatformwillnotonlycausepropertylossesforindividualsandtrading

organizations,butmayalsoaffectthepublicstrustintheentirefinancialsystemin

seriouscases.Sincein