L2IR：揭示图形欺诈检测中的潜在意图

图欺诈检测长期以来依赖图神经网络（GNN）来跨关系数据传播和聚合信息。然而，实践中的一个关键障碍是，欺诈者经常通过与良性用户建立大量连接来伪装自己，导致欺诈信号在邻域聚合过程中逐渐被稀释，并破坏检测的可靠性。虽然最近的努力使用 大语言模型 (LLM) 为欺诈检测提供丰富的语义线索，但可疑连接背后的潜在意图仍未得到充分探索。使这个问题更加复杂的是，带注释的欺诈样本的稀缺使得训练在重度伪装下保持鲁棒性的检测器变得困难。为了解决这些差距，我们提出了 L2IR，一种用于图形欺诈检测的 LLM 驱动的潜在意图揭示框架。通过从用户行为和可疑连接中发现潜在意图，L2IR 从原始行为轨迹中提取意图感知表示，并提取各个连接背后真实目的的原因，从而有效区分支持性链接和误导性链接。它进一步结合了自适应自我训练，以增强有限监督下的鲁棒性。对两个以普遍伪装为特征的现实世界数据集的评估表明，L2IR 超越了强大的基线，并且可以作为一系列基于 GNN 的检测器的插件增强功能，将 AUPRC 提高高达 8.27%。