基于时间意识的异质图表过量采样和注意力融合网络的互联网欺诈交易检测
Sizheng Wei1,2, Suan Lee2
1School of Finance, Xuzhou University of Technology, Xuzhou, Jiangsu, China.
PloS one
|December 5, 2025
概括
这项研究介绍了一种时间意识异质图表过量采样和注意力融合网络 (THG-OAFN),用于先进的互联网欺诈检测. THG-OAFN显著提高了欺诈检测准确性和回忆,为电子商务安全提供了强大的解决方案.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 网络安全 网络安全
背景情况:
- 电子商务 (EC) 面临着越来越多的互联网欺诈挑战.
- 现有的欺诈检测方法在复杂的交易数据和不平衡方面扎.
研究的目的:
- 开发一种先进的方法来检测电子商务交易中的互联网欺诈行为.
- 提高欺诈检测的准确性,并使积极的欺诈预防成为可能.
主要方法:
- 将交易数据抽象到异质图中.
- 在时间动态上使用门式循环单位 (GRU),在拓学上使用图形神经网络 (GNN).
- 实施一个改进的基于图形的合成少数群体过量采样技术 (GraphSMOTE) 来处理数据不平衡.
- 采用多层次的注意机制,积极预防欺诈.
主要成果:
- 在亚马逊数据集上,THG-OAFN实现了96.56%的曲线下的面积 (AUC),提高了7.78%.
- 在亚马逊数据集上实现了95.21%的召回和94.72%的F1得分.
- 在YelpChi数据集中,THG-OAFN的表现优于现有的GNN模型,AUC为90.43%,召回率为89.51%,F1得分为90.31%.
结论:
- THG-OAFN提供了一个可部署的解决方案,用于动态欺诈检测和电子商务中的积极防御.
- 拟议的方法有效地处理数据不平衡,并捕获复杂的交易模式.
- 这种方法显著提升了基于图形的欺诈检测的最新技术.