arXiv cs.AI· Yixuan Chen, Hongyu Zhan, Jie Sheng, Weiyu Han, Shuai Chen, Tianyi Zhang, Xiao Tan, Jun Xia·· 14 小时前AI 评分24
SemHGT：用 LLM 增强异构图学习，按业务语义检测金融欺诈
LLM-Enhanced Heterogeneous Graph Learning with Business Semantics for Financial Fraud Detection
AI 导读
研究者提出 SemHGT，一个 LLM 增强框架，按实体角色解读结构化属性，把业务语义显式化以检测金融欺诈。它分三阶段：角色感知提示词从节点属性生成风险业务描述并经文本编码器转为语义向量、语义相似度引导多轮采样目标特定路径实例、schema 级 token 与目标交易一起送入统一 transformer。在三个基准数据集上，SemHGT 在多数数据集—指标对比中领先所评估基线，代码已公开。
正文 · AI 翻译
摘要：金融欺诈检测日益依赖异构交易图，其中卡、商户等实体扮演不同的业务角色，属性的风险含义取决于实体的角色：高交易量对商户可能是常规，对卡则可能异常。异构图神经网络保留了类型化实体和关系，但通常将这些属性视为与角色无关的输入，使其业务含义保持隐含。同时，大多数将大语言模型（LLM）与图结合的方法集中于同构图或具有天然可用文本属性的异构图，对具有结构化属性的交易图的应用仍探索不足。为解决这一问题，我们提出 SemHGT，一个 LLM 增强框架，按实体角色解释结构化属性，并通过三个阶段使业务语义显式化：（1）角色感知提示从节点属性中引出与风险相关的业务描述，文本编码器将其映射为语义向量以丰富节点表示；（2）语义相似度引导在交易到交易模式（transaction-to-transaction schemas）下对目标特定路径实例进行多轮采样；（3）将局部路径证据与全局邻居摘要相结合的 schema 级 token 与目标交易一起由统一 transformer 处理。在三个基准数据集上，SemHGT 在大多数数据集—指标比较中领先于所评估的基线。进一步分析为 SemHGT 设计的有效性提供了额外证据，并阐明了其语义建模和证据选择如何促进欺诈检测。代码见 this https URL。
| Comments: | 13 页，6 幅图 |
| Subjects: | 人工智能（cs.AI） |
| Cite as: | arXiv:2610.35298 [cs.AI] |
| （或 arXiv:2610.35298v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.35298 由 DataCite 颁发的 arXiv DOI（待注册） |
Submission history
来自：Yixuan Chen [查看邮箱]
[v1]
2026年10月26日 星期一 12:03:54 UTC（610 KB）
来源：arXiv cs.AI · arxiv.org