[论文解读] DeepTrax: Embedding Graphs of Financial Transactions

C. Bayan Bruss, Anish Khazane+4 more|arXiv (Cornell University)|Jul 16, 2019

Advanced Graph Neural Networks参考文献 29被引用 9

一句话总结

本文提出 DeepTrax，一种图嵌入框架，将信用卡交易建模为账户与商户之间的二分图，利用时间约束的交易对通过跳字模型训练节点嵌入。该方法生成语义有意义的低维向量，能够捕捉消费模式、地理位置和商户类别，在链接预测（AUC 和 F1）任务中表现优异，并在用作特征时使欺诈检测性能提升 5.2%。

ABSTRACT

Financial transactions can be considered edges in a heterogeneous graph between entities sending money and entities receiving money. For financial institutions, such a graph is likely large (with millions or billions of edges) while also sparsely connected. It becomes challenging to apply machine learning to such large and sparse graphs. Graph representation learning seeks to embed the nodes of a graph into a Euclidean vector space such that graph topological properties are preserved after the transformation. In this paper, we present a novel application of representation learning to bipartite graphs of credit card transactions in order to learn embeddings of account and merchant entities. Our framework is inspired by popular approaches in graph embeddings and is trained on two internal transaction datasets. This approach yields highly effective embeddings, as quantified by link prediction AUC and F1 score. Further, the resulting entity vectors retain intuitive semantic similarity that is explored through visualizations and other qualitative analyses. Finally, we show how these embeddings can be used as features in downstream machine learning business applications such as fraud detection.

研究动机与目标

• 解决在包含数百万个实体的大规模稀疏金融交易图上应用机器学习的挑战。
• 学习商户和账户实体的密集低维嵌入，以保留拓扑结构和语义结构。
• 评估这些嵌入在下游任务（如欺诈检测和链接预测）中的实用性。
• 证明地理和类别模式可在嵌入空间中自然涌现，而无需显式特征工程。

提出的方法

• 该方法构建一个二分图，当单一账户在固定时间窗口内（例如 50 秒）与两个商户均发生交易时，便在商户之间形成边。
• 采用带有负采样的跳字模型学习节点嵌入，将交易序列视为上下文窗口。
• 模型在两个内部交易数据集上进行训练，学习编码交易行为和邻近性的表示。
• 通过链接预测的 AUC 和 F1 分数评估嵌入，以量化结构保留程度。
• 将框架扩展至迁移学习设置，其中商户嵌入被用作欺诈检测模型中的特征。
• 使用可训练的多层感知机（MLP）将嵌入压缩为单一欺诈评分，从而在减少特征空间扩展的同时提升性能。

实验结果

研究问题

• RQ1 图嵌入技术能否有效表示具有有意义语义结构的大规模稀疏金融交易网络？
• RQ2 所学习的嵌入在未使用显式特征的情况下，能在多大程度上捕捉商户之间的地理和类别相似性？
• RQ3 与基线模型相比，这些嵌入在欺诈检测等下游任务中的泛化能力如何？
• RQ4 通过 MLP 压缩嵌入表示（即单一分数）是否能在最小化特征空间增长的同时保留预测能力？

主要发现

• 该模型在链接预测任务中表现优异，AUC 和 F1 分数均较高，表明嵌入空间有效保留了图的拓扑结构。
• 地理邻近性在嵌入空间中自然涌现，表现为同一邮编区域的商户聚类在一起，即使输入中未提供地理特征。
• 模型捕捉了语义和文化细微差别，例如波特兰地区啤酒厂的区域聚集或洛杉矶地区咖啡馆的集中分布。
• 直接使用原始商户嵌入可使欺诈检测的 AUpr 相比基线模型提升约 1.0%。
• 通过可训练的 MLP 将嵌入压缩为单一欺诈评分，使欺诈检测效果提升 5.2%，证明了有效的迁移学习能力。
• 嵌入支持直观的实体消歧，如不同字符串表示的重复或相关商户名称（例如 DUNKIN #341663 Q 和 Q35）在聚类中被正确归为一类。