DGP：一种用于图增强大语言模型欺诈检测的双粒度提示框架
机器学习
2025-07-30 v1 人工智能
摘要
现实世界的欺诈检测应用受益于图学习技术，该技术联合利用通常富含文本数据的节点特征和图结构信息。最近，图增强大语言模型作为一种有前景的图学习方法出现，它将图信息转换为提示，利用LLM推理文本和结构信息的能力。其中，仅文本提示将图信息转换为仅由文本标记组成的提示，提供了一种仅依赖LLM微调而无需额外图特定编码器的解决方案。然而，仅文本提示在异质欺诈检测图上表现不佳：多跳关系随着每增加一跳而呈指数级扩展，导致与密集文本信息相关的邻域迅速增长。这些邻域可能会用提示中冗长、不相关的内容淹没模型，并抑制来自目标节点的关键信号，从而降低性能。为应对这一挑战，我们提出了双粒度提示，它通过保留目标节点的细粒度文本细节，同时将邻居信息总结为粗粒度文本提示，来缓解信息过载。DGP引入了针对不同数据模态的定制化总结策略：文本字段的双层语义抽象和数值特征的统计聚合，从而能够将冗长的邻居内容有效压缩为简洁、信息丰富的提示。在公共和工业数据集上的实验表明，DGP在可控的标记预算内运行，同时将欺诈检测性能（AUPRC）比最先进方法提高了高达6.8%，展示了图增强LLM在欺诈检测中的潜力。
引用
@article{arxiv.2507.21653,
title = {DGP: A Dual-Granularity Prompting Framework for Fraud Detection with Graph-Enhanced LLMs},
author = {Yuan Li and Jun Hu and Bryan Hooi and Bingsheng He and Cheng Chen},
journal= {arXiv preprint arXiv:2507.21653},
year = {2025}
}