🤖 machine learning

Empowering Credit Risk Detection in Weixin Pay with Billion-Scale Deep Graph Learning

Este artigo propõe um framework de aprendizado de subgrafos sobrepostos consciente ao risco que equilibra a distribuição de carga com a preservação de padrões de risco de cauda longa críticos por meio de amostragem com restrição de orçamento e alinhamento de consistência entre subgrafos, melhorando significamente a detecção de risco de crédito em escala de bilhões para o Weixin Pay.

Autores originais: Xin Liu, Xiyuan Chen, Chenglong Wu, Xuan Zong, Jun Zhou, Dawei Cheng

Publicado 2026-08-04

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Xin Liu, Xiyuan Chen, Chenglong Wu, Xuan Zong, Jun Zhou, Dawei Cheng

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine a internet como uma cidade gigante e movimentada onde todos estão conectados. Nesta cidade, cada pessoa deixa para trás um rastro de pegadas digitais — o que compra, com quem fala e por onde vai. Na maioria das vezes, essas pegadas contam uma história normal. Mas, às vezes, algumas pessoas tentam se infiltrar para roubar dinheiro ou enganar o sistema. Isso é chamado de "fraude de crédito" e é como um jogo de esconde-esconde onde os vilões são muito bons em se esconder. Para pegá-los, os bancos e aplicativos de pagamento costumavam olhar apenas para as pegadas de uma pessoa isoladamente. Mas os vilões são espertos; eles frequentemente trabalham em grupos ou se escondem nas sombras da vida de outras pessoas. Por isso, os cientistas começaram a usar um tipo especial de mapa chamado "grafo". Pense em um grafo não como um gráfico, mas como uma enorme teia de fios conectando pessoas a eventos. Se você puxar um fio, toda a teia balança, revelando padrões ocultos. Este é o poder das "Redes Neurais de Grafos" (GNNs) — elas são como detetives superinteligentes que conseguem ver como as conexões de uma pessoa podem revelar se ela está tramando algo errado.

No entanto, há um grande problema com esses mapas. No mundo real, como no Weixin Pay, o mapa é tão grande que possui bilhões de pessoas e conexões. É pesado demais para um único computador suportar, como tentar carregar todo o oceano em uma xícara de chá. Por isso, os engenheiros tiveram que cortar o mapa em pedaços menores para compartilhar o trabalho entre muitos computadores. Mas aqui está o detalhe: quando você corta um mapa em pedaços, muitas vezes corta justamente os fios que conectam os vilões às pistas. É como tentar resolver um mistério olhando apenas para metade da cena do crime; você pode perder a evidência mais importante. Este artigo apresenta uma nova maneira de cortar o mapa que mantém os fios importantes intactos sem tornar os pedaços pesados demais para carregar.

Os pesquisadores, trabalhando com o Weixin Pay da Tencent, desenvolveram um sistema inteligente chamado RAOS (Aprendizado de Subgrafos com Sobreposição Consciente de Risco). Imagine que você está cortando uma pizza gigante para compartilhar com um grupo de amigos. O método antigo era cortar a pizza perfeitamente para que nenhum amigo recebesse o mesmo pedaço que o outro. Mas se um "cobertura ruim" (um fraudador) estivesse sentado bem na borda de um pedaço, a pessoa segurando aquele pedaço poderia não vê-lo porque a cobertura estava tecnicamente no pedaço do vizinho. O novo método, RAOS, é como cortar a pizza com um pouco de sobreposição. Você dá a cada amigo um pedaço, mas também permite que eles segurem um pequeno pedaço do pedaço do vizinho. Dessa forma, se uma cobertura ruim estiver na borda, todos que estiverem perto dela terão a chance de vê-la.

Mas há um risco: se você der muita parte do pedaço do vizinho para cada um, acabará com muito excesso de queijo e massa que não ajuda (isso é chamado de "ruído" e "redundância"). A equipe resolveu isso sendo muito criteriosa sobre quais pedaços extras adicionar. Eles focaram nas conexões de "cauda longa" — estas são as conexões silenciosas e menos populares que frequentemente guardam as pistas secretas para fraudes ocultas. Eles usaram um filtro especial (baseado em algo chamado "índice-h") para encontrar essas peças importantes, mas negligenciadas, e as adicionaram aos pedaços, enquanto ignoravam as partes barulhentas e sem importância.

Além disso, como a mesma pessoa pode aparecer em dois pedaços diferentes, o computador pode ficar confuso e pensar que são duas pessoas diferentes com histórias diferentes. Para corrigir isso, a equipe adicionou uma etapa de "alinhamento de consistência". É como ter uma reunião de equipe onde todos os amigos comparam suas notas sobre a pessoa que aparece em ambos os pedaços para garantir que todos concordem sobre quem essa pessoa realmente é. Isso garante que a imagem final seja clara e precisa.

Quando testaram este novo sistema com dados reais do Weixin Pay, que envolve centenas de milhões de usuários, os resultados foram impressionantes. O novo método foi muito melhor em detectar fraudadores do que as antigas formas de cortar o mapa. Ele não apenas pegou os vilões óbvios; também foi muito melhor em prever quem poderia se tornar um fraudador no futuro (uma previsão de "risco futuro"). De fato, ele melhorou a capacidade de capturar usuários de risco em mais de 10% em comparação ao método padrão que apenas corta o mapa sem sobreposição. Mais surpreendente ainda, o novo método deles foi, na verdade, melhor em encontrar fraudes do que tentar olhar para o mapa inteiro de uma vez, porque a antiga abordagem de "mapa inteiro" ficava confusa com o excesso de ruído.

No mundo real, isso significa menos pessoas perdendo dinheiro para golpes e um sistema financeiro mais seguro para todos. A equipe colocou este sistema em prática em um teste real com usuários reais, e ele identificou com sucesso mais usuários de risco e evitou mais perdas financeiras do que os sistemas anteriores. Ao sobrepor cuidadosamente as peças do quebra-cabeça e garantir que todos concordem com a imagem, eles conseguiram resolver um problema que era anteriormente grande demais e complexo demais para computadores lidarem sozinhos.

Resumo Técnico: Capacitando a Detecção de Risco de Crédito no Weixin Pay com Aprendizado de Grafos Profundos em Escala de Bilhões

Declaração do Problema
A detecção de risco de crédito, particularmente a mitigação de fraudes individuais, é crítica para a estabilidade dos ecossistemas financeiros digitais. Embora as Redes Neurais de Grafos (GNNs) tenham emergido como uma ferramenta poderosa para capturar dependências complexas em grafos heterogêneos de risco de usuários, sua implementação em ambientes industriais enfrenta um gargalo severo de escalabilidade. Grafos do mundo real, como os do Weixin Pay, escalam para bilhões de nós e arestas, tornando o treinamento de grafo completo computacionalmente intratável.

As estratégias de treinamento distribuído existentes tipicamente particionam grafos em subgrafos disjuntos para equilibrar as cargas computacionais. No entanto, essa abordagem corta catastroficamente cadeias de evidências de cauda longa essenciais para a propagação de risco, levando a uma detecção de precisão subótima. Por outro lado, estratégias de subgrafos sobrepostos podem restaurar contextos interrompidos, mas frequentemente introduzem redundância, ruído e inconsistências de representação entre diferentes subgrafos locais. O desafio central reside em preencher a lacuna entre a escalabilidade industrial e a detecção de risco de alta precisão, preservando padrões críticos de difusão de risco sem comprometer a eficiência ou o alinhamento de representação.

Metodologia: Estrutura RAOS
Os autores propõem o RAOS (Risk-Aware Overlapping Subgraph Learning - Aprendizado de Subgrafo Sobreposto Consciente de Risco), uma estrutura projetada para a detecção de risco de crédito em escala de bilhões. O pipeline consiste em três estágios primários:

Construção de Subgrafo Consciente de Risco:
- Particionamento Base: O grafo global é primeiro decomposto em partições base disjuntas usando uma estratégia de hash aleatório para garantir o equilíbrio da carga computacional entre trabalhadores distribuídos.
- Amostragem de Sobreposição com Orçamento Restrito: Para restaurar conexões interrompidas, a estrutura expande seletivamente subgrafos locais. Em vez de adicionar indiscriminadamente nós de alto grau (o que introduz ruído), ela emprega uma métrica de índice h (h-index) para identificar e amostrar nós de cauda longa informativos. Esses nós são frequentemente vulneráveis à desconexão induzida pelo particionamento, mas carregam sinais de risco críticos. Um orçamento predefinido ( $M$ ) limita a razão de expansão para filtrar o ruído estrutural enquanto preserva contextos de risco não redundantes.
Aprendizado de Grafo Heterogêneo Dinâmico:
- Cada subgrafo é processado por uma Rede Neural de Grafo Heterogênea Dinâmica (DHGNN).
- Modelagem Espacial: A estrutura utiliza um Transformer de Grafo Heterogêneo (HGT) com atenção mútua de múltiplas cabeças para capturar padrões espaciais. Ela modela especificamente meta-relações entre nós de usuário e nós de eventos de risco, calculando pontuações de atenção com base nos tipos de nós e arestas.
- Modelagem Temporal: Para capturar a evolução do risco, o modelo integra um mecanismo de atenção temporal e uma Unidade Recorrente de Portão (GRU). Isso permite que o sistema agregue estados históricos e derive representações espaço-temporais que refletem a natureza dinâmica das interações usuário-risco.
Alinhamento de Consistência entre Subgrafos:
- Como nós sobrepostos aparecem em múltiplos subgrafos, eles podem adquirir representações divergentes devido aos diferentes vizinhos locais.
- Para resolver isso, o RAOS introduz um módulo de Alinhamento de Consistência Cross-Subgraph. Ele impõe restrições de alinhamento em nós sobrepostos usando um objetivo de Análise de Correlação Canônica (CCA).
- A função de perda compreende um termo de invariância (minimizando a distância entre as representações do mesmo nó entre subgrafos) e um termo de decorrelação (minimizando a redundância entre dimensões de características). Isso harmoniza as visões locais em um espaço latente globalmente consistente.

Principais Contribuições

Inovação de Estrutura: Este trabalho apresenta a primeira estrutura de aprendizado de subgrafo sobreposto especificamente projetada para preencher a lacuna de desempenho-escalabilidade para GNNs na detecção de risco de crédito em escala de bilhões.
Amostragem Estratégica: Os autores integram a preservação de contexto de risco de cauda longa com orçamento restrito com o alinhamento de consistência. Ao preservar seletivamente padrões de risco de cauda longa informativos (via filtragem de índice h) e alinhar representações sobrepostas, o método garante tanto eficiência quanto consistência de representação.
Validação Industrial: A estrutura é validada através de extensos experimentos offline e online no conjunto de dados de produção do Weixin Pay, demonstrando uma solução escalável para o aprendizado de grafos profundos em escala de bilhões.

Resultados Experimentais
A estrutura foi avaliada no conjunto de dados WeCreditFraud, contendo mais de 845 milhões de registros de comportamento de usuário e aproximadamente 498 milhões de usuários únicos.

Desempenho Offline: O RAOS superou significativamente as linhas de base existentes, incluindo métodos não gráficos (XGBoost, MLP) e outras estratégias de GNN distribuídas (Random Hash, METIS, COPRA).
- Na detecção de risco imediata ( $T$ ), o RAOS alcançou um escore KS (Kolmogorov-Smirnov) de 52,96, superando a linha de base Random Hash (42,46) em mais de 10 pontos.
- Na previsão de risco futura ( $T+90$ ), o RAOS demonstrou generalização superior, alcançando um KS de 26,47, comparado a 20,61 para o Random Hash. Isso indica uma forte capacidade de detectar riscos latentes antes que eles se manifestem.
- Notavelmente, o RAOS superou um backbone de treinamento de grafo completo, atribuído ao efeito de redução de ruído estrutural ao amostrar seletivamente nós de cauda longa enquanto filtra conexões redundantes encontradas no grafo completo.
Estudos de Ablação: Experimentos confirmaram que a estratégia de sobreposição é essencial para recuperar o contexto estrutural perdido. Além disso, priorizar nós de baixo índice h (cauda longa) rendeu melhores resultados do que nós de alto índice h, que introduziam ruído estrutural. O módulo de alinhamento de consistência proporcionou ganhos adicionais, particularmente na previsão de risco futura.
Implantação Online: O RAOS foi implantado no ambiente de produção do Weixin Pay. Em testes A/B de 30 dias, mostrou superioridade abrangente sobre os modelos incumbentes (Baseline-v1/v2) na maioria dos segmentos, com um avanço notável no segmento de usuários inativos.
- KS por Usuário: O RAOS alcançou uma melhoria significativa de 4,06% para usuários inativos em comparação ao Baseline-v2. No entanto, para usuários ativos, o RAOS (55,09) teve um desempenho ligeiramente inferior ao Baseline-v2 (55,59).
- KS Ponderado pelo Valor: O RAOS melhorou em 5,41% para usuários inativos.
- Impacto Econômico: O RAOS aumentou o recall de usuários fraudulentos e evitou perdas monetárias em todos os segmentos de probabilidade de risco, com ganhos estatisticamente significativos (p < 0,01).

Significância e Alegações
O artigo afirma que o RAOS fornece uma solução escalável e eficaz para o aprendizado de grafos industrial, abordando com sucesso o equilíbrio entre eficiência computacional e precisão de detecção em ambientes de escala de bilhões. Ao preservar caminhos de difusão de risco de cauda longa críticos e garantir a consistência de representação, a estrutura permite a identificação de riscos de fraude sutis e latentes que os métodos tradicionais de particionamento disjunto perdem. Os autores afirmam que este trabalho estabelece um novo paradigma para o aprendizado de grafos profundos em escala de bilhões, oferecendo uma referência para a implantação industrial de GNNs de grande escala para salvaguardar a integridade dos serviços financeiros digitais. O sistema é notado por sua capacidade de operar dentro dos orçamentos de produção, com treinamento concluído em 16 horas em 8 GPUs e latência de inferência de 2,78 segundos para 1 milhão de usuários.

Mais como este