基于类别分布感知的金融异常发现与推断

The financial market developed vigorously under the combination of the concept of "Internet plus", but the escalation in transactions and users also made it easier for the whole financial market to "hide dirt and take shelter". How to find, restrict and supervise these illegal behaviors in the massive financial big data has become an urgent problem. However, it is rather difficult to understand the complex financial heterogeneous data since the distribution of abnormal and benign behaviors is disordered and extremely unbalanced. Therefore, this project proposes to represent the complex financial behavior of users as a financial graph structure and design graph neural network methods based on category distribution perceptions to learn the financial graph structures, discover and infer abnormal behaviors of users. It thus can assist the application of downstream financial behavior analysis and inference tasks such as abnormal accounts, group discovery, fraudulent user detection and prediction. Specifically, this project will focus on the balanced sampling methods based on category distribution, meta-learning methods and value-sensitive learning methods integrated with graph neural networks, and enrich the innovative achievements in the field of graph data mining and analysis.

“互联网+”概念结合下的金融市场蓬勃发展，但陡然激增的交易量与用户量也让整个金融市场中愈加容易“藏污纳垢”。如何在海量的金融大数据中发现、限制、监管这些不法行为，成为市场监管部门亟待解决的问题。然而，实现这一目标面临着两大挑战：（1）与金融相关的复杂异构数据整合学习难；（2）异常类别和正常类别的分布无序化且极端不平衡。为此，本课题拟通过将复杂的用户金融行为表示为金融图结构并设计基于类别分布感知的图神经网络方法，对金融图结构进行学习，进行异常行为与用户的发现与推断，辅助异常账户、群组发现，欺诈用户检测预测等下游金融行为分析和推断任务的应用。具体地，本项目将在以图神经网络进行数据整合的前提下，重点研究基于类别分布的平衡采样方法，元学习方法，价值敏感学习方法，丰富图数据挖掘分析领域创新成果。

“大数据驱动的管理与决策”重大研究计划一年期培育项目《基于类别分布感知的金融异常发现与推断》项目（批准号92046003），针对用户金融行为的多源、异构、时序等特性，通过将复杂的用户金融行为表示为图结构并设计基于类别分布感知的图神经网络方法，对图结构进行学习，进行异常金融行为与用户的发现和推断，辅助异常账户、群组发现，欺诈用户检测预测等下游金融行为分析与推断任务的应用。执行期内，围绕研究目标，提出类别分布的平衡采样方法并结合图神经网络用于节点分类任务，在欺诈检测任务上达到了当时国际最好水平；提出基于元学习的样本重加权和邻域重加权技术缓解图神经网络在不平衡训练数据中的不稳定性，在欺诈检测任务上进一步提升；提出基于AUC最大化思路的价值敏感学习图神经网络，将AUC作为图结构学习的代理奖励，采用强化学习进行图结构优化，首次在图神经网络框架下实现AUC最大化优化目标，在欺诈检测任务上达到了目前国际最好水平。在本项目的支持下，共发表录用论文16篇，其中CCF A类论文9篇，获得SIGIR2021会议（CCF A类）最佳短文提名奖。相关的关键技术转移到了阿里巴巴、腾讯等企业，在多个线上场景金融服务中得到实际应用，获得了阿里巴巴颁发的优秀学术合作奖，获得了腾讯提供的科研经费滚动支持。