摘要
基于图的欺诈检测方法近年来受到广泛关注，因其能够充分利用图结构数据中丰富的关联信息，有助于识别欺诈行为。然而，在节点标签分布严重偏斜的情况下，基于图神经网络（GNN）的算法性能往往不佳，这种情况在金融欺诈等敏感领域尤为常见。为解决基于图的欺诈检测中的类别不平衡问题，本文提出一种“择优选取图神经网络”（Pick and Choose Graph Neural Network，简称PC-GNN），用于图上的不平衡监督学习。首先，通过设计的标签平衡采样器选取节点与边，构建子图以支持小批量训练；其次，针对子图中的每个节点，利用提出的邻域采样器筛选其邻居候选集；最后，融合所选邻居以及不同关系类型的信息，生成目标节点的最终表示。在基准数据集和真实世界图结构欺诈检测任务上的实验结果表明，PC-GNN显著优于现有最先进方法。