dgp：一种用于图像增强大语言模型欺诈检测的双粒度提示框架

核心观点

研报提出了一种名为 Dual Granularity Prompting (DGP) 的图提示框架，用于基于异构图的欺诈检测。DGP 通过保留目标节点的细粒度文本细节，同时将邻居信息汇总为粗粒度的文本提示，从而减轻信息过载问题。

关键数据和研究结论

• 数据集：研报在四个图数据集上进行了实验，包括两个公开数据集（YelpReviews 和 Amazon）和两个行业数据集（LifeService 和 E-Commerce）。这些数据集具有混合文本/数值特征、多类型边和失衡的欺诈标签。
• 性能表现：DGP 在所有数据集和评估指标上均取得了显著的性能提升，超越了包括 GNN 和 LLM 基线在内的多种方法。与最先进的 GNN 基线相比，DGP 的 AUPRC 提升了 6.8%。
• 消融实验：消融实验表明，文本摘要和数值摘要对于捕获异构欺诈图中的语义和统计信号至关重要。文本特征的重要性高于数值特征。
• 摘要长度影响：研究发现，较短的摘要（例如 5 个 token）提供不足的上下文，而较长的摘要（例如 80 个 token）可能导致 token 稀释，从而降低准确率。相对较小的摘要预算（例如 10 个 token）即可获得最佳性能。
• 任务感知摘要：任务感知摘要可能会降低 DGP 的性能，因为它们限制了 LLM 捕获微妙欺诈信号的能力。任务无关的提示允许更广泛的线索发现，可能支持更鲁棒的分类。

方法论

DGP 由三个核心模块组成：

1. 节点级摘要：将每个节点的原始文本压缩成简洁且具有代表性的内在摘要。
2. 基于扩散的元路径修剪：使用马尔可夫扩散核 (MDK) 选择沿每个元路径最相关的邻居，以减少语义噪声并专注于信息丰富的上下文。
3. 元路径级摘要：将选定邻居的节点级摘要汇总成紧凑的、高级的文本表示，进一步减少冗余。

复杂度分析

• Token 消耗：DGP 与全邻居方法和全向量化方法相比，显著减少了 token 消耗。
• 时间复杂度：DGP 的训练和推理复杂度均随节点数量线性增长，并且不受出度的限制，突出了其在实际应用中的实用性。