大规模电子支付网络中违规账户的识别——一种图表示学习方法
社会与信息网络
2019-06-14 v1 机器学习
摘要
移动/在线支付服务的快速且大规模普及，给服务提供商与监管方在维护此类服务/系统正当使用方面带来了新挑战。本文利用基于深度神经网络的图表示学习的最新进展，检测真实电子支付网络中的异常/可疑金融交易。具体而言，我们提出一种端到端的基于图卷积网络（GCN）的算法，以学习大规模时变图的节点与边的嵌入。在电子支付交易图的场景下，所得的节点与边嵌入能有效刻画账户持有人的用户背景与金融交易模式。据此，我们可以利用图嵌入结果驱动下游图挖掘任务（如节点分类）以识别支付网络内的违规账户。我们的算法优于包括 GraphSAGE、梯度提升决策树与随机森林在内的当前最优方案，在两个实际电子支付交易数据集中分别以可观更高的准确率（分别为 94.62% 与 86.98%）对用户账户分类。在仅使用边相关信息的情况下，它还在另一生物医学实体识别任务中取得了出色的准确率（97.43%）。
引用
@article{arxiv.1906.05546,
title = {Identifying Illicit Accounts in Large Scale E-payment Networks -- A Graph Representation Learning Approach},
author = {Da Sun Handason Tam and Wing Cheong Lau and Bin Hu and Qiu Fang Ying and Dah Ming Chiu and Hong Liu},
journal= {arXiv preprint arXiv:1906.05546},
year = {2019}
}