工资欺诈筛选需要发现隐藏的员工‑收款人链接，并在可疑关系和合法关系之间做出区分。我们将该任务建模为归纳链接预测和实体排序，在合成的人力资源/企业资源规划（HR/ERP）图上进行实验，图中包含未见组织以及每个植入案例的匹配良性双胞胎。\ \ 在 24 个保留组织和一个前瞻冻结扩展上，分别比较了分析师规则、显式路径特征和图神经网络（GNN）。使用链式连接特征的梯度提升模型取得最高整体链接平均精度（AP）0.823，优于 GraIL‑style GNN 的 0.663；其 4 跳 AP 为 0.646，而 GNN 仅为 0.272，说明多跳增益并非 GNN 独有。\ \ 在一个正例比例为 2% 的新合成队列中，链式提升再次领先（AP 0.798），关系实体 GNN 也超过基于记录的规则（0.707 对 0.504）。在 2% 审查预算下，它们的精度分别为 0.695 和 0.602。\ \ 当 40% 标识符连接失败时，实体 GNN 的 AP 为 0.712，高于链式提升的 0.683（描述性比较）。仅结构审计暴露了生成器的捷径；匹配双胞胎将审计双胞胎池的 AUROC 降至 0.493‑0.514。\ \ 这些结果在明确的合成评估设计中将多跳候选发现、基于记录的判别和审查优先级分离。代码和数据可向作者请求。\ \ 点评：本研究展示了在合成 HR/ERP 场景下，传统规则、路径特征和 GNN 的性能差异，强调了多跳信息的价值，并指出 GNN 并非唯一能够利用多跳结构的模型。