金钱驴网络通过大量小额转账搬运犯罪资金，每笔转账单独看都很普通。真正标记一个账户为驴的特征不在单笔交易，而在其网络的对手方、共享地址以及随时间演化的活动形态。现有生产系统大多基于规则，无法捕捉这些全局信息；而大多数研究只对交易进行分类，随后再对账户进行风险聚合。我们直接对账户打分，将银行的关系模式视为异构图：表行是节点，外键是边。每个账户的分数来源于多跳邻域，使用列级编码器、相对时间编码以及 HeteroGraphSAGE 消息传递。邻域仅包含在账户被预标记截止时间之前的记录，确保模型不见到事后证据。我们在 RBIH 零售银行五年数据上实验，数据包含 4 亿笔交易和 94,063 个标记账户，其中 2.6% 为确认的金钱驴。与 RelGNN、XGBoost、LightGBM、CatBoost 在相同标签、划分和截止时间下的对比显示，我们的检测器在 83% 精度下召回率达到 90%，误报率仅 0.5%，比最强树模型多发现 115 条金钱驴。调参后，差距主要体现在召回率：XGBoost 与 LightGBM 在前百条警报上表现略好，但只有图模型在整个警报队列中保持高精度。由于图结构即为数据库模式，且每个分数都有时间戳，部署时无需额外构建特征图，可直接在银行现有数据库上运行。
点评