阅读该文献，记录中文翻译，方便复习。

摘要

从不同应用程序收集的实际数据通常不具有预定义的数据模型或未以预定义的方式组织。 难以分析凌乱的非结构化数据并提取有用的数据信息。对于在金融机构中收集的数据，通常具有附加的拓扑结构，并且可以用图形表示。 例如，社交网络，通信网络，金融系统和支付网络。可以从每个实体（例如金融机构，客户或计算中心）的连接中构建图结构。 我们通过基于图结构的标签预测问题，分析不同实体如何影响彼此的标签。有了结构化数据，GNNs就是一个功能强大的工具，可以模仿专家来标记节点。 GNN通过图结构组合节点特征，使用神经网络嵌入节点信息并将其通过图的边传递。我们想要通过识别GNN模型的输入数据中的信息交互来实现图中节点的分类，并检查模型是否按我们的期望工作。 然而，由于复杂的数据表示和非线性转换，解释GNN做出的决策具有挑战性。在这项工作中，我们提出了用于金融交易数据的图表示方法和新的图特征的解释方法，以识别信息丰富的图形拓扑。 我们使用四个数据集（一个合成的和三个实数）来验证我们的方法。 我们的研究结果表明，图结构表示法有助于分析金融交易数据，而我们的解释方法可以模仿人类解释的模式并解决图中的不同特征。

1. 概述

近年来，随着大数据，云计算，人工智能等新技术的迅猛发展，这些新技术已与金融服务深度融合，释放了金融创新的生命力和应用潜力，极大地促进了金融业的发展。在这一发展过程中，大数据技术是最成熟，应用最广泛的技术。但是，面对如此广阔的信息，尤其是非结构化数据信息，如何存储，查询，分析，挖掘和利用这些庞大的信息资源尤为关键。传统的关系数据库主要面向交易过程和数据分析应用程序。他们擅长解决结构化数据管理问题。管理非结构化数据存在一些固有的缺陷，尤其是在处理大量非结构化信息时。为了应对非结构化数据分析的挑战，一种策略是将非结构化数据转换为结构化数据，这将有助于类似的信息标记，检索，查找和聚类，并将有助于更好地为实体经济服务并有效促进金融业的整体发展。
我们的当代社会高度依赖人际关系/文化关系（社会网络），我们的经济紧密联系和结构化（商业关系，金融转移，供应/分配链），地缘政治关系也非常结构化（商业和政治联盟），它还依赖于运输网络（公路，铁路，海上和航班连接），而且我们的网络系统在结构上也相互连接（计算机网络，互联网）。而且，那些复杂的网络结构也出现在自然界中，出现在诸如大脑，血管和神经系统的生物系统，也出现在化学系统，例如分子的原子连接。如今，利用现代技术，我们从上述所有系统及其关系中收集数据，因为该数据极度结构化且严重依赖于网络内部的关系，因此将数据表示为图是有意义的，其中节点表示实体和边表示他们之间的联系。
人工智能正在成为金融大数据应用的新方向。诸如GCN（Kipf和Welling 2016），GraphSage（Hamilton，Ying和Leskovec 2017）之类的图神经网络（GNN）是一种深度学习架构，可以通过保留图的信息结构来处理图结构数据。我们着重于节点标记问题，例如欺诈检测，信用发放，客户定位，社交网络用户分类，它们可以模仿专家对节点标记的决定。GNN通过使用神经网络嵌入节点信息并将其通过图的边传递，从而能够组合节点特征，连接模式和图形结构。然而，由于复杂的数据表示和对数据执行的非线性转换，解释GNN做出的决策是一个具有挑战性的问题。图1是一个关于从解释GNN节点分类决策来理解诈骗检测的例子。

尽管在卷积神经网络（CNN）中已经开发了深度学习模型可视化技术，但这些方法并不直接适用于解释用于进行分类任务的具有节点特征的加权图。关于解释GNN的工作很少（（Pope等人2019; Baldassarre和Azizpour 2019; Ying等人2019; Yang等人2019））。但是，据我们所知，还没有已完成的关于解释加权图中的综合特征（即节点特征，边特征和连接模式）的工作，特别是对于节点分类问题。在这里，我们提出了几种基于图形结构的图形特征解释方法来表示财务数据。我们使用三个数据集（一个合成数据和两个真实数据）来验证我们的方法。我们的结果表明，通过使用解释方法，我们可以发现用于节点分类的数据模式与人工解释相符，并且这些解释方法可以用于理解数据，调试GNN模型和检查模型决策以及其他任务。
我们的工作总结如下：
1. 我们提出将金融交易数据转移到加权图表示中，以进行进一步分析和理解数据信息。
2. 我们建议使用GNN分析金融交易数据，包括欺诈检测和帐户匹配。
3. 我们提供解释结构化图形中的实体标记时实体之间的信息交互。
论文结构：在第2节中，我们介绍图表示。然后在第3节中，我们将逐步介绍GNN中的操作。在第4节中，描述了图形解释的公式，并介绍了相应的方法。在第5节中，我们提出了评估指标和方法。实验和结果在第6节中介绍。我们在第7节中总结本文。

2. 数据表示-加权图

对于包含用户和交互信息的财务数据，我们可以将每个实体建模为一个节点，并基于它们之间的交互在它们之间建立连接。在本节中，我们介绍必要的符号和定义。我们用$G=(V,E)$表示一个图，其中$V$是节点集，$E$是链接节点的边集，$X$是节点特征集。对于每对相连的节点$u,v\in V$，我们用$e_{vu}\in R$表示连接它们的边$(v,u)\in E$的权重。我们表示$E[v,u]=e_{vu}$，其中$E\in R^{|E|}$。对于每个节点$u$，我们关联特征的d维向量$X_u\in R^d$，并将所有特征的集合表示为 X = { X u : u ∈ V } ∈ ( R d ) ∣ V ∣ X = \left\{X_u: u∈V\right\} ∈ (R^d)^{|V|} X={ Xu​:u∈V}∈(Rd)∣V∣。
边特征包含有关图形的重要信息。例如，图$G$可以表示一个银行系统，其中节点$V$代表不同的银行，而边$E$是它们之间的交易；图$G$也可以代表一个社交网络，其中节点$V$代表不同的用户，边$E$是用户之间的接触频率。我们考虑节点分类任务，其中为每个节点$u$分配标签 y u ∈ I C = { 0 , . . . , C − 1 } y_u ∈ I_C = \left\{0,..., C−1\right\} yu​∈IC​={ 0,...,C−1}。在金融应用程序中，节点分类问题可能是欺诈检测，新客户发现，帐户匹配等。

3. GNN利用边权值

与现有的GNN架构不同，即图卷积网络(GCN)(Kipf和Welling 2016)和图注意力网络(GAT)(Velickovic等2018)，某些GNN可以利用图上的边信息(Gong 和Cheng 2019; Shang et al.2018; Yang et al.2019)。在这里，我们考虑加权有向图，并建立使用节点和边权重的图神经网络，其中边权重会影响消息聚合。我们的方法不仅可以处理有向加权图，而且可以在GNN的传播中保留边信息。对于许多现实场景，例如银行支付网络，推荐系统（使用社交网络）以及其他严重依赖于连接拓扑的系统，保留和使用边信息非常重要。这是因为除了节点（原子）特征之外，边（键）的属性对于预测图形的局部和全局属性也很重要。一般而言，GNN通过递归聚合和转换其相邻节点的特征向量来归纳学习节点表示。参考(Battaglia等人2018; Zhang,Cui和Zhu 2018; Zhou等人2018)，在我们的集合中GNN的每层更新涉及这三个计算，即消息传递等式(1)，消息聚合等式(2)，并更新节点表示式(3)，可以表示为：
$$m_{vu}^{(l)}=MSG(h_u^{(l-1)},h_v^{(l-1)},e_{vu})\text{\hspace{1em}(1)}$$
$$M_i^{(l)}=AGG(\left\{m_{vu}^{(l)},e_{vu}\right\}|v\in N(u))\text{\hspace{1em}(2)}$$
$$h_u^{(l)}=UPDATE(M_u^{(l)},h_u^{(l-1)})\text{\hspace{1em}(3)}$$
其中$h_u^{}$