图学习应用（一）：腾讯电子支付网络的恶意账户识别

内容简介

随着专栏内图机器学习的内容逐渐丰富，从本文开始，我们也将更详细的了解图在实际工业场景中的应用。

本文主要介绍论文《Identifying Illicit Accounts in Large Scale E-payment Networks - A Graph Representation Learning Approach》，腾讯电子支付网络的恶意账户识别算法EdgeProp，它将图卷积网络（GCN）应用到电子支付账户中的恶意账号识别，论文链接如下。

腾讯电子支付恶意账号识别算法EdgeProp

1 反作弊场景——恶意账户识别

相对于推荐、NLP，反作弊的工业场景偏小众，目前大厂对推荐算法工程师的需求量也远高于反作弊策略算法。就业务场景而言，反作弊（反欺诈）之所以存在，是因为业务系统存在被作弊（欺诈）的缺陷，因此需要针对业务场景设计反欺诈系统，来保障业务系统的安全。以电子支付为例，存在作弊者虚假注册账号，虚假刷量，以薅取支付平台的羊毛。反作弊则是通过平台化、智能化的手段，针对虚假账户进行识别和封禁。

这也是论文支付账户反欺诈的背景。在电子支付网络中，可将账户看作是网络中的节点，作弊识别可看作是对网络中异常节点和正常节点进行分类，如此我们可采用图嵌入的思想，基于图神经网络自动学习节点的潜在表征（Embedding），以捕捉不同支付模式的网络结构信息，并用于识别异常账户。

该论文的贡献点：

• 提出新的消息传递机制（Edge Propagation）；
• 设计并落地了算法的可扩展实现，并用以分析包含数百万个节点的真实网络；
• 通过在3个大型网络数据集的实践，证实了算法的有效性。

2 算法详情

1）提取支付账户交易（边）的特征

i）人工特征：平均交易量、总交易次数、交易事件的间隔时间（的均值/方差）； ii）（通过边际分布、自相关函数等刻画）支付交易的多维时间序列特征； iii）使用LSTM将交易序列转化为固定维表示，然后和图卷积网络一起进行端到端训练。 该论文目前采用的是人工特征。

2）边特征传播（Edge Propagation）

边特征处理： 将节点

和节点

的边特征按照出边和入边的顺序进行拼接。 如果出边/入边不存在，则用0进行补充。

边特征传播： 聚合函数（文章使用mean aggregator）：

节点Embedding更新：

其中

和

是两个多层感知器。

3）Mini-Batch训练

基于随机梯度下降优化参数：

其中

为有类别标记的节点集合，

为ground truth，损失函数

为交叉熵。 实际训练时，对邻居进行采样（不使用目标节点的所有邻居），采样方法与GraphSage同[2]。最终基于采样估计的Node Embedding如下：

其中

为节点

采样后的邻居节点集合。

3 实验详情

1）腾讯电子支付恶意账户场景

随机选取1w个恶意账户和正常账户，以及与他们一个月内有交易的2-hop邻居集合，共649万个账户节点，3363万条边。 使用包含性别、年龄、教育水平等61个节点特征，以及平均交易量、总交易次数、交易事件的间隔时间（的均值/方差）等10个边特征。 此外，节点邻居采样数量为10个（均匀采样），学习率为2e-4，激活函数ReLUctant，优化器Adam，Early-stop窗口大小100。训练、验证、测试集按照70%、20%、10%的比例划分。 实验结果详情如下：

2）以太坊和药物发现场景

文章还在以太坊数据集和药物发现数据集上验证了EdgeProp的效果，实验结果如下：

4 展望

• 消息传递机制的变体研究
• 基于LSTM等手段将多维时间/事件序列纳入图卷积网络

参考文献

[1] D. S. H. Tam, W. C. Lau, B. Hu, Q. Ying, D. M. Chiu, and H. Liu, “Identifying illicit accounts in large scale e-payment networks - A graph representation learning approach,” CoRR, vol. abs/1906.05546, 2019.

[2] Will Hamilton,Zhitao Ying,and Jure Leskovec. Inductive representation learning on large graphs. In Advances in Neural Information Processing Systems, pages 1024–1034, 2017.

[3] Jianfei Chen, Jun Zhu, and Le Song. Stochastic training of graph convolutional networks with variance reduction. arXiv preprint arXiv:1710.10568, 2017.