基于因果事件图谱与超图神经网络的交易异常检测方法与流程

本技术属于数据挖掘与知识图谱，具体涉及基于因果事件图谱与超图神经网络的交易异常检测方法。

背景技术：

1、随着金融业务的数字化与复杂化，银行交易风控系统面临日益严峻的挑战。传统的异常交易检测手段主要依赖于基于规则的引擎与统计模型。规则引擎通过预定义的风险规则（如单笔金额阈值、特定国家名单、非工作时间交易等）进行实时匹配与拦截，但其滞后性明显，难以适应不断演变的欺诈模式，且规则间的组合容易导致高误报率或漏报。统计模型与机器学习方法（如逻辑回归、随机森林、孤立森林等）通过对历史交易特征进行学习，能够发现超出规则的异常模式，然而这类方法通常依赖于专家经验进行特征工程，对复杂、隐蔽、尤其是涉及多个账户协同作案的团伙欺诈行为表征能力有限，且模型决策过程缺乏可解释性，难以满足金融监管对风险判定依据的审计与说明要求。

2、近年来，图神经网络技术被引入风控领域，用于建模账户间的交易网络结构。这类方法将账户视为节点，交易行为视为边，能够捕捉资金的直接流转路径与局部关联模式，对于识别直接关联的异常交易对具有一定效果。然而，传统的图结构仅限于表达两两账户之间的二元关系，无法天然刻画如“多人共谋、资金在多个账户间循环流转、跨渠道协同作案”等涉及三个及以上实体的高阶关联模式。这类复杂模式恰恰是洗钱、诈骗团伙等专业化欺诈行为的典型特征。此外，现有基于图的检测方法多侧重于网络拓扑结构的静态或时序快照分析，虽能反映关联性，却缺乏对事件间因果逻辑的深入推理能力。系统通常只能识别出“交易a与交易b频繁共现”或“账户c处于网络中心”，但无法判断“交易a是否是导致交易b发生的合理原因”，例如无法区分正常商业往来中的大额转账与欺诈场景下伪装成贷款的非法资金转移。这种因果推理能力的缺失，使得系统在面对经过精心伪装的交易时，区分能力不足，且难以提供令人信服的风险判定理由。

3、因此，现有银行交易异常检测技术在应对新型、复杂、团伙化欺诈时，仍存在以下突出问题：其一，对交易网络中高阶、隐蔽关联模式的建模能力不足，导致对团伙欺诈识别率低；其二，缺乏将多模态交易信息（如时序、金额、文本附言、行为序列、网络结构）从因果层面进行融合与验证的机制，对伪装交易识别精度有限；其三，模型的可解释性弱，难以输出清晰、基于逻辑推理的异常证据链，无法满足风控业务对决策透明度和监管合规的严苛要求。

技术实现思路

1、本技术提供了基于因果事件图谱与超图神经网络的交易异常检测方法，以解决上述技术问题之一。

2、本技术所采用的技术方案为：

3、本技术实施例提供基于因果事件图谱与超图神经网络的交易异常检测方法，包括:

4、构建动态事件图谱，所述动态事件图谱基于多源交易数据生成，包括多个事件节点及事件节点之间的关系边，其中至少部分关系边为带有因果强度标签的因果边；

5、基于所述动态事件图谱中的因果边，识别满足预设因果模式的候选事件集合；

6、将所述候选事件集合映射为超图中的超边，其中所述超边用于封装具有高阶关联的异常交易模式；

7、利用超图神经网络对所述超图进行学习，得到节点与超边的表征向量；

8、至少基于所述表征向量与因果强度标签，计算交易异常评分，并输出异常检测结果。

9、根据本技术的一个实施例，所述构建动态事件图谱包括：

10、从多源交易数据中抽取事件要素，所述事件要素包括事件主体、事件类型、事件时间、事件客体和事件属性；

11、基于所述事件要素生成事件节点；

12、基于事件节点之间的时序关系、语义关系、资金流转关系或因果依赖关系中的至少一种，生成关系边；

13、对至少部分关系边进行因果强度计算，并为达到因果强度阈值的关系边标记因果标签，生成因果边。

14、根据本技术的一个实施例，所述因果强度计算融合了以下至少两个维度的因果系数：

15、时序因果系数，基于事件发生的时间间隔或序列模式计算；

16、金额因果系数，基于交易金额分布或资金流向模式计算；

17、语义因果系数，基于事件附言或相关文本的语义分析计算；

18、行为因果系数，基于用户行为序列或风险评分计算；

19、结构因果系数，基于事件节点在图谱中的拓扑属性计算。

20、根据本技术的一个实施例，所述因果强度计算采用动态权重分配机制，所述动态权重基于各维度因果系数的特征向量通过注意力机制生成。

21、根据本技术的一个实施例，所述识别满足预设因果模式的候选事件集合包括：

22、从动态事件图谱中提取所有因果边及其关联事件节点，构成因果事件对集合；

23、对所述因果事件对集合进行聚类，得到多个候选簇；

24、计算每个候选簇的平均因果强度，并筛选出平均因果强度超过设定阈值的候选簇，将其所包含的事件节点集合作为候选事件集合。

25、根据本技术的一个实施例，所述将候选事件集合映射为超图中的超边包括：

26、为每个候选事件集合分配一个超边类型标签，所述超边类型标签与所述候选事件集合所对应的因果模式相关联；

27、基于所述候选事件集合中因果边的平均因果强度及出现频率，计算该超边的权重。

28、根据本技术的一个实施例，所述方法还包括：

29、当新增交易事件数据输入时，更新所述动态事件图谱；

30、若新增因果边或因果强度变化，则重新执行所述识别候选事件集合与映射超边，以动态更新所述超图结构。

31、根据本技术的一个实施例，所述输出异常检测结果包括：

32、定位与异常评分相关的事件子图及所属超边；

33、生成包含异常因果链条描述的可解释性报告。

34、本技术第二方面实施例提供基于因果事件图谱与超图神经网络的交易异常检测系统，包括：

35、事件图谱构建模块，用于基于多源交易数据构建动态事件图谱，所述图谱包括带有因果强度标签的因果边；

36、因果模式识别模块，用于从所述动态事件图谱中识别满足预设因果模式的候选事件集合；

37、超图生成模块，用于将所述候选事件集合映射为超图中的超边；

38、超图学习模块，用于利用超图神经网络对所述超图进行表征学习；

39、异常决策模块，用于基于学习得到的表征与因果强度，计算异常评分并输出检测结果。

40、根据本技术的一个实施例，所述系统还包括多模态因果推理引擎，用于融合时序、语义、行为、结构和金额中的至少两种模态信息，以计算因果强度并标记因果边。

41、由于采用了上述技术方案，本技术所取得的有益效果为：

42、本技术通过构建带有因果强度标签的动态事件图谱，系统不仅记录了交易事件间的关联，更刻画了其内在的因果逻辑。在此基础上，基于所述动态事件图谱中的因果边，识别满足预设因果模式的候选事件集合，并将其映射为超图中的超边。这一过程将微观的、分散的因果关联，聚合升维为语义化的超边，使得如“多账户资金循环”、“跨渠道协同洗钱”这类涉及三个及以上实体、传统图模型难以直接表征的高阶关联模式得以被显式建模和封装。超图神经网络随后对包含此类超边的超图进行学习，能够有效捕获这些高阶模式的表征，从而显著提升对团伙化、复杂隐蔽欺诈交易的检出率与识别精度。

43、增强了对伪装交易的辨别能力与决策可解释性。 由于动态事件图谱中的因果边是融合了时序、金额、语义等多维度信息进行强度计算与标签化的结果，其本身就蕴含了对交易合理性的初步因果判断。在计算交易异常评分时，系统至少基于所述表征向量与因果强度标签进行综合决策。这相当于将神经网络捕捉的复杂模式与基于逻辑的因果推理证据相结合。当判定异常时，系统可以追溯到具体的异常因果边及由其聚合而成的异常超边（模式），从而能够自动化生成包含异常因果链条与模式归属的可视化报告。这不仅提升了模型对“形式合规但逻辑矛盾”的伪装交易的识别能力，更满足了金融风控对决策过程透明、证据链清晰可审计的严苛要求。

44、提供了动态适应与持续优化的检测框架。 本方法构建的是一个动态事件图谱，并可基于新数据识别新的因果模式与映射生成新的超边，使得整个检测模型能够随着交易数据的增长和欺诈模式的演化而动态更新。这种从事件到图谱、再到超图的生成式建模与学习机制，克服了传统基于固定规则或静态特征模型滞后、僵化的缺点，实现了对新型欺诈模式的敏捷感知与自适应检测能力的提升。