融合子图选择和邻域过滤的信贷欺诈审核方法OA北大核心

信贷欺诈审核是金融欺诈检测领域的研究热点与难点,尤其是大规模金融信贷交易场景下的欺诈检测问题。然而,信贷欺诈审核过程中的欺诈者类节点数量分布极不平衡和欺诈者节点伪装自身问题一直是其所面临的重要挑战。基于此,面向大规模互联网金融信贷动态图提出融合重构子图选择和强化邻域过滤的图神经网络(RSRF-GNN)模型,以提高信贷欺诈审核的有效性。该方法从数据角度定义欺诈者数量分布不平衡和欺诈伪装问题。依据节点类别和出入度信息设计重构平衡子图选择模块以解决欺诈者数量分布不平衡问题。针对欺诈伪装问题,设计动态过滤邻域节点嵌入的邻域过滤模块。设计了边聚合模块聚合中心节点的邻域边嵌入,进一步提高中心节点邻域嵌入信息表达效果。为验证RSRF-GNN模型的有效性,在真实数据集DGraph-Fin上进行实验,结果表明RSRF-GNN模型在有效性方面比现有模型有较大提升。RSRF-GNN模型在AUC上提高了5~8个百分点,AP分数表现提高了18~29个百分点,模型性能优势显著。