DP-GCN：基于连接性与拓扑结构双重卷积的节点分类方法用于风险卖家检测
社会与信息网络
2021-12-10 v1
摘要
支付网络包含卖家与买家之间的交易。在此类支付网络上检测风险（或不良）卖家对于支付服务提供商的风险管理与合法合规至关重要。在本研究中，我们将此任务形式化为一个节点分类任务。具体而言，我们旨在通过分析支付网络中每个卖家的属性及/或交互，为其预测一个标签。位于支付网络不同部分的节点可能具有相似的局部拓扑结构。此类局部拓扑结构揭示了卖家的商业角色，例如供应商、代发货商或零售商。我们注意到，许多现有的基于图的节点分类解决方案仅考虑节点连接性，而忽略了节点局部拓扑结构之间的相似性。受业务需求驱动，我们提出了一种名为DP-GCN的双路径图卷积网络用于节点分类。DP-GCN同时考虑了节点连接性与拓扑结构相似性。所提出的模型包含三个主要模块：(i) 一个C-GCN模块，用于捕获节点间的连接关系；(ii) 一个T-GCN模块，用于捕获节点间的拓扑结构相似性；(iii) 一个多头自注意力模块，用于对齐这两种属性。我们在七个基准数据集上，针对多种基线方法评估了DP-GCN。我们还提供了一个案例研究，在领先的支付服务提供商PayPal的三个大规模支付网络上运行DP-GCN。实验结果证明了DP-GCN的有效性与实用性。
引用
@article{arxiv.2112.04757,
title = {DP-GCN: Node Classification Based on Both Connectivity and Topology Structure Convolutions for Risky Seller Detection},
author = {Chen Zhe and Aixin Sun},
journal= {arXiv preprint arXiv:2112.04757},
year = {2021}
}