Empowering Credit Risk Detection in Weixin Pay with Billion-Scale Deep Graph Learning
本文提出了一种风险感知重叠子图学习框架，该框架通过预算约束采样和跨子图一致性对齐，在平衡负载分布与保留关键长尾风险模式之间取得了平衡，显著提升了微信支付十亿级规模的信用风险检测能力。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，互联网就像一座繁忙、巨大的城市，每个人都相互连接。在这座城市里，每个人都会留下数字足迹——他们买了什么、和谁聊天、去了哪里。大多数时候，这些足迹讲述的是一个正常的故事。但有时，少数人会试图潜入其中窃取钱财或欺骗系统。这就是所谓的“信用欺诈”，它就像一场捉迷藏游戏，而坏人非常擅长躲藏。为了抓住他们，银行和支付应用以前只观察一个人自身的足迹。但坏人很聪明；他们经常成群结队地行动，或者躲在他人生活的阴影中。因此，科学家们开始使用一种特殊的地图，叫做“图”（graph）。请不要把“图”理解为图表，而要把它想象成一个由无数连接着人和事件的线条组成的巨大网络。如果你拉动其中一根线，整个网络都会随之晃动，从而揭示隐藏的模式。这就是“图神经网络”（GNN）的力量——它们就像超级聪明的侦探，能够通过观察一个人的社交连接来判断其是否心怀不轨。
然而，这些地图存在一个巨大的问题。在现实世界中，比如在微信支付上，地图规模如此之大，拥有数十亿的人和连接。对于单个计算机来说，这太重了，无法承载，就像试图用一个茶杯装下整个海洋一样。因此，工程师们不得不将地图切割成较小的碎片，以便让多台计算机协同工作。但问题在于：当你把地图切开时，你往往也会切断那些将坏人与线索连接在一起的关键线条。这就像是通过只看半个犯罪现场来破解谜题，你可能会错过最重要的证据。本文介绍了一种新的切分地图的方法，这种方法能在保持每一块都易于处理的同时，让重要的线条保持完整。
研究人员通过与腾讯微信支付合作，开发了一个名为 RAOS（风险感知重叠子图学习）的巧妙系统。想象一下，你正在把一个巨大的披萨切开分享给一群朋友。旧的方法是完美地切割，确保没有两个朋友会拿到相同的切片。但如果一个“坏配料”（欺诈者）恰好坐在切片的边缘，拿着那个切片的人可能会错过它，因为从技术上讲，那个配料属于邻居的切片。新的方法 RAOS 则像是带着一点“重叠”来切披萨。你给每个朋友一个切片，但也让他们同时握住一点点邻居切片的边缘。这样一来，如果一个坏配料出现在边缘，每一个靠近它的切片都会有机会发现它。
但这里存在一个风险：如果你给每个人太多的邻居切片，就会产生大量的多余奶酪和饼皮（这被称为“噪声”和“冗余”）。团队通过对“添加哪些额外部分”进行严格筛选解决了这个问题。他们专注于“长尾”连接——这些是那些安静、不那么受欢迎的连接，却往往隐藏着揭示隐蔽欺诈行为的关键线索。他们使用了一种基于“h-index”的特殊过滤器来寻找这些重要但容易被忽视的部分，并将其添加到切片中，同时忽略掉那些嘈碌且无用的部分。
此外，由于同一个人可能会出现在两个不同的切片上，计算机可能会产生困惑，认为他们是两个有着不同故事的不同人。为了解决这个问题，团队增加了一个“一致性对齐”步骤。这就像是一个团队会议，所有的朋友都在对比关于那个出现在两个切片上的人的笔记，以确保大家对那个人到底是谁达成共识。这确保了最终呈现出的画面清晰且准确。
当他们在微信支付的真实数据（涉及数亿用户）上测试这个新系统时，结果令人印象深刻。这种新方法在识别欺诈者方面比旧的切分地图方法表现得更好。它不仅能抓住明显的坏人，还能更有效地预测谁未来可能成为欺诈者（即“前瞻性风险”预测）。事实上，与仅仅进行切分而不进行重叠的标准方法相比，它在捕捉高风险用户方面的能力提升了 10% 以上。更令人惊讶的是，他们的新方法甚至比尝试观察“整个地图”的效果还要好，因为旧的“全图”方法会被过多的噪声所干扰。
在现实世界中，这意味着更少的人会遭受诈骗损失，以及一个更安全的金融系统。团队将该系统投入到真实用户的实测中，它成功地识别出了更多高风险用户，并比之前的系统防止了更多的经济损失。通过仔细重叠拼图的碎片，并确保每个人对画面的认知一致，他们成功解决了一个此前对于计算机而言过于庞大且复杂的难题。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。