《Intelligent Systems with Applications》：A heterogeneous graph representation learning approach for fraud detection in supply chain networks
编辑推荐：
在当前网络安全时代，供应链网络（SCN）中的欺诈活动日益复杂，并可能对企业经营造成巨大的财务与声誉影响。传统的表格型与序列型模型难以捕捉SCN关系及其相互依赖所构成的网络结构。为此，本研究提出一种基于图表示学习与深度图神经网络（GNN）的SCN欺诈检测新模型。
在当前网络安全时代，供应链网络（SCN）中的欺诈活动日益复杂，并可能对企业经营造成巨大的财务与声誉影响。传统的表格型与序列型模型难以捕捉SCN关系及其相互依赖所构成的网络结构。为此，本研究提出一种基于图表示学习与深度图神经网络（GNN）的SCN欺诈检测新模型。具体而言，研究人员构建了SCN的异构图表示，其中将交易、订单、产品和客户建模为具有丰富属性的互联节点。随后，采用图自动编码器（GAE）学习低维节点嵌入，以同时保留拓扑结构与属性信息；同时，Node2Vec通过带偏置随机游走捕捉互补的高阶结构模式。上述嵌入被整合到深度GNN变体中，如GraphSAGE和图注意力网络（GAT）。此外，基于真实世界SCN数据集开展的大量实验表明，所提出模型相较传统机器学习基线具有更优的检测性能，其F1值 = 0.904、召回率（recall） = 0.956、准确率（accuracy） = 0.979。研究结果凸显了将表示学习与深度GNN变体相结合在捕捉隐含关系模式方面的有效性，从而为复杂SCN中的欺诈检测提供了一种可扩展且稳健的解决方案。
该文发表于《Intelligent Systems with Applications》，聚焦供应链网络（SCN）中欺诈检测这一具有显著现实意义的问题。随着供应链管理（SCM）不断向全球化、平台化和多主体协同方向发展，供应商、制造商、分销商、客户以及第三方物流服务商之间形成了高度耦合的交互网络。此类网络在提升资源配置效率、推动采购与履约协同的同时，也使欺诈行为呈现出更强的隐蔽性、协同性与结构性。论文指出，传统基于规则的方法虽然具备一定可解释性，但难以适应欺诈策略的持续演化，也难以揭示供应商、客户、订单、产品与交易之间跨实体、多跳式的关联模式。与此同时，常规监督学习、无监督学习或序列模型大多将样本视为相互独立的记录，无法有效建模SCN天然具备的关系依赖与异构结构。因此，如何从复杂关系网络中识别隐蔽欺诈模式，成为供应链智能风控中的关键挑战，这也是开展本研究的直接动因。
围绕上述问题，研究人员提出了一种基于异构图表示学习的统一欺诈检测框架，将原始表格型供应链数据转换为图结构数据，并联合利用多种图表示学习技术与深度图神经网络（GNN）实现交易级别的欺诈识别。研究的核心思想是：不再仅依赖单条交易的属性，而是将交易、订单、客户和产品共同建模为一个异构交互图中的不同节点类型，通过节点之间的连接关系表达真实业务中的依赖结构。随后，研究人员分别使用Node2Vec学习偏重结构邻近性的表示，使用图自动编码器（GAE）学习兼顾节点属性与图重构目标的潜在表示，并进一步借助GraphSAGE与图注意力网络（GAT）对不同嵌入进行增强，最终通过表示融合与神经分类器输出欺诈/非欺诈预测。实验结果表明，该方法能够更充分地捕捉供应链中隐藏的关系欺诈信号，相比传统表格型机器学习模型具有显著性能优势。论文的重要意义在于证明了：在复杂SCN场景下，将异构图建模、多视角表示学习与深度GNN融合，可以更有效地识别传统方法难以发现的协同式欺诈和隐蔽关系模式。
从方法层面看，作者主要使用了以下关键技术。首先，以DataCo Smart Supply Chain真实数据集为样本来源，对22,400条训练交易及其相关实体进行清洗、编码与图构建；其次，将交易、订单、客户、产品表示为异构图节点，并根据交易—订单、客户—订单、订单—产品关系建立边；再次，采用Node2Vec提取高阶结构嵌入，采用GAE进行重构式表示学习；最后，分别将Node2Vec嵌入输入GraphSAGE、将GAE嵌入输入GAT，并将双分支输出拼接后送入全连接层与Softmax分类器，实现交易节点的欺诈识别。同时，研究还比较了类别加权、TomekLinks + RandomUnderSampler欠采样以及SMOTE过采样三类不平衡处理策略。
在研究结果部分，论文按不同模型组合和实验设置系统展示了性能差异。
3.1. Used dataset
研究使用DataCo Smart Supply Chain数据集，该数据集包含超过180,000条交易记录，欺诈样本约占3%。论文指出，该数据集覆盖供给、生产、销售与商业分销等多类SCN活动，并包含产品价格、交易金额、支付方式、交易时间以及供应商位置、名称、业务类别等信息，因此能够支撑欺诈模式挖掘。相关性热图分析表明，欺诈交易与非欺诈交易在交付延迟变量和财务收益变量之间呈现不同的相关结构，说明欺诈并非仅体现为单变量异常，更体现为变量关系结构的改变。
3.2. Graph data modeling
在数据建模阶段，研究人员首先将订单状态为“SUSPECTED_FRAUD”的记录标记为欺诈类，并对类别失衡问题进行处理。之后，分类变量被编码为数值形式，时间字段被转换为数值时间戳。最关键的是，研究将预处理后的表格数据转换为异构图G = (V, E)，其中节点集合由交易节点、订单节点、客户节点和产品节点组成，每个节点携带对应类型的属性向量。图中的边用于表示交易—订单、客户—订单、订单—产品之间的结构关系；若可获得，还为边附加交付延迟、订单收益等属性。通过这一过程，原本孤立的交易记录被纳入具有业务语义的关系网络之中，为后续图学习提供基础。
3.3. Learning graph representations
在表示学习方面，论文采用两类互补技术。其一为Node2Vec，该方法通过二阶随机游走与Skip-gram目标函数学习节点嵌入，能够保留节点在网络中的高阶结构邻近关系，适于捕捉社区结构和角色相似性。其二为图自动编码器（GAE），通过编码器从节点特征与邻接关系中提取潜在表示，再通过内积解码器重构边的存在概率，从而学习兼顾结构与属性的低维表示。论文认为，Node2Vec更偏重全局结构模式，而GAE更有利于恢复潜在关系规律，因此二者具备明显互补性。
3.4. Graph neural networks variants
在GNN部分，研究比较了GCN、GAT与GraphSAGE三类模型。GCN通过归一化图卷积在局部邻域内进行特征平滑，适合作为稳健基线；GAT引入注意力机制，为不同邻居分配不同权重，更适合处理异构、噪声或重要性不均衡的关系；GraphSAGE采用采样式邻域聚合策略，能够在大图和新节点场景下保持较好扩展性。研究将节点原始属性与预训练嵌入拼接后作为输入，使GNN同时利用属性信息与图结构信息，提升节点级欺诈分类能力。
4. Proposed GNN based-model for fraud detection in supply chain networks
论文提出的核心模型是一种混合式异构图表示学习框架。该框架首先对图G执行两条并行表示学习路径：一条由Node2Vec生成结构中心型嵌入，另一条由GAE生成重构型嵌入。随后，Node2Vec输出送入GraphSAGE分支，以强化稳定的邻域聚合与结构平滑；GAE输出送入GAT分支，以突出对关键邻居和属性异常的自适应关注。两个分支得到的高层表示被拼接为统一向量，再输入全连接层与Softmax分类器，最终在交易节点上完成欺诈预测。论文指出，这种双分支设计同时利用了全局图几何、潜在关系规律与任务驱动的消息传递机制，因此较单一表示或单一GNN结构更具鲁棒性。
5.4. Node2Vec coupled with GraphSAGE
实验显示，Node2Vec的效果显著依赖下游GNN结构。与GCN和GAT相比，Node2Vec + GraphSAGE在欺诈检测平衡性上表现最好，获得accuracy = 0.877、precision = 0.413、recall = 0.498、F1 = 0.452。虽然Node2Vec + GCN取得更高recall = 0.518，但precision显著降低为0.235，导致F1下降至0.323，且误报率（FPR）最高。由此可见，在类别不平衡场景中，GraphSAGE更适合作为Node2Vec嵌入的下游聚合器。
5.5. GraphLSTM coupled with GAT
对于GraphLSTM嵌入，GAT取得了最佳总体折中，表现为accuracy = 0.913、precision = 0.265、recall = 0.564、F1 = 0.361，且FPR最低。这说明在该组比较中，注意力机制能够更有效地从GraphLSTM表示中筛选与欺诈相关的邻域信息，但整体性能仍明显低于GAE与混合模型。
5.6. GAE coupled with GNN classifiers
GAE构建的表示整体较强。GAE + GAT实现了最佳欺诈检测性能，获得accuracy = 0.949、precision = 0.729、recall = 0.803、F1 = 0.765。GAE + GraphSAGE则具有更高precision = 0.741和更低FPR = 0.028，但在recall和F1上略低于GAE + GAT。该结果说明，GAE学习到的属性—结构联合表示与注意力聚合机制结合后，能够更充分地揭示欺诈相关的隐性关系模式。
5.7. Hybrid model (Node2Vec+GAE fusion)
混合模型是全文最核心的结果。该模型融合Node2Vec的结构上下文信息与GAE的属性/关系表示，在基线设置（仅使用类别加权）下达到accuracy = 0.979、precision = 0.858、recall = 0.956、F1 = 0.904、FPR = 0.029，为所有方案中的最佳结果。论文进一步比较了三种不平衡处理策略。基线设置取得最高recall与F1，说明在当前模型已具备较强区分能力时，保持原始分布并施加类别加权可最大限度减少漏检；SMOTE过采样提升precision至0.891并将FPR降至0.018，但recall降至0.828，表现出更保守的预警倾向；TomekLinks + RandomUnderSampler则给出较为均衡但略弱的结果。混淆矩阵分析也表明，不同采样策略本质上改变了误报与漏报之间的平衡。
5.8. Comparison with baseline methods
在与SVM、Random Forest、XGBoost、Ensemble Method等传统表格型模型的对比中，所提模型在所有采样设置下均显著占优。传统模型即便配合采样策略，仍难以兼顾高召回与低误报。例如，XGBoost在欠采样下虽获得较高recall = 0.779，但precision仅为0.118，且FPR高达0.656。相比之下，所提模型在基线设置下以F1 = 0.904和recall = 0.956表现出明显优势。论文据此指出，异构图建模使模型能够利用客户、产品、订单和交易之间的关系依赖与多跳交互，这是传统表格分类器无法充分表达的。
在讨论部分，作者强调，本研究的关键发现并不在于某一种单独表示学习方法或某一个单独GNN架构的绝对优势，而在于多视角表示与差异化GNN归纳偏置的组合效应。Node2Vec善于保持全局与高阶结构关系，但对属性层面的异常编码不足；GAE擅长捕捉特征驱动的异常与潜在关系规律，但对全局图结构敏感性相对有限。通过将Node2Vec嵌入交由GraphSAGE处理、将GAE嵌入交由GAT处理，再实施表示拼接，模型能够同时吸收结构型欺诈信号与属性型欺诈信号，从而形成更丰富的交易表示。作者还指出，该方法将实体标识符主要用于定义节点和关系，而不是直接作为预测特征，从而降低了传统机器学习中对标识变量进行“记忆化”拟合的风险。
论文同时坦诚提出若干挑战。首先，大规模SCN的异构图构建过程仍具有较高计算复杂度；其次，面对百万级节点和高密度关系时，GNN训练仍可能遭遇内存消耗高、邻域爆炸和训练时延问题；再次，模型效果依赖于图构建质量，若存在关系缺失、实体链接不准或交易记录噪声，则表示学习质量会下降；此外，当前框架采用静态图建模，尚未显式捕捉欺诈行为的时间演化与动态传播；最后，虽然研究使用了多种类别失衡处理策略，但极端失衡仍可能对模型稳健性造成影响。
研究结论部分可概括翻译如下：本研究通过异构图建模系统考察了SCN中的欺诈检测问题，将交易、订单、客户和产品显式表示为相互连接的实体，从而突破了传统独立表格数据表示的局限，能够捕捉难以由传统机器学习流程表达的关系依赖与多跳交互模式。在融合丰富节点属性与图连通性的基础上，研究系统比较了Node2Vec、图自动编码器（GAE）和GraphLSTM等表示学习方法与GraphSAGE、GCN、GAT等GNN变体的组合效果，结果表明下游架构选择对性能具有重要影响，特别是在严重类别不平衡场景下，单纯依赖accuracy不足以评价实际欺诈检测能力，recall与F1更具判别价值。为整合不同表示的优势并弥补其局限，论文进一步提出一种融合多种表示学习与GNN分支的混合模型，通过分别细化两种表示视图并拼接其输出，得到更丰富的交易表示，从而较单分支基线持续提升欺诈检测性能。研究还比较了类别加权、TomekLinks欠采样与SMOTE过采样策略，其中SMOTE增强的混合模型在报告实验中表现出较优的precision—recall折中。未来工作将聚焦于引入时序图神经网络以捕捉演化中的欺诈策略，进一步利用关系类型特异性消息传递更显式地建模异构边，并结合图解释方法提升可解释性，以支持审计验证和实际部署。
