1.导读
在电商、社交网络、金融等真实场景中，欺诈检测始终是一个核心挑战。欺诈行为往往隐藏在复杂的多跳关系和冗长的文本信息中： * 传统**图神经网络（GNN）方法能利用图结构，但对文本语义的挖掘不够深入； * 仅依赖大语言模型（LLM）**的方式虽能处理语义，却容易陷入“邻居过多 → 提示过长 → 关键信息被淹没”的困境。
近期，新加坡国立大学与字节跳动数据库图团队提出了一种全新方法——DGP**（Dual Granularity Prompting，双粒度提示框架）**，在论文中展示了它如何在性能与令牌效率之间找到平衡，并在多个真实数据集上显著优于现有方法。值得注意的是，这类探索具备架构扩展性与泛化潜力，为更通用、更体系化的图基础模型（Graph Foundation Model，GFM）在工业上的应用奠定了方法论基础。 ![A close-up of a white background
Description automatically generated]
(https://cdn.zhuanzhi.ai/vfiles/634babcaa7616bfc08d5b169bd2d8115)
论文链接：https://arxiv.org/abs/2507.21653 2.传统方法的两难困境
在图增强大模型（Graph-Enhanced LLMs）框架下，主流的**graph-to-prompt****（图到提示）**方法大致有两类： 1. 向量化编码。邻居节点先被压缩为向量，再输入LLM。好处是提示长度可控，但代价是语义被“提前压缩”，导致信息损失。 1. 纯文本拼接。直接把邻居节点的文本拼接输入LLM，保留了全部语义，却带来冗余，甚至可能让百万级token的邻域文本掩盖掉目标节点的关键信号。
在工业场景中，一个两跳邻域就可能扩展到上百万token，模型几乎无法有效学习。如何既保留细节又控制规模？这正是DGP要解决的问题。 3.DGP的核心思想：双粒度提示
DGP提出了一种差异化的提示策略： * 目标节点：保留细粒度的文本细节，确保核心语义不丢失。 * 邻居节点：转化为粗粒度的信息，用摘要与统计来压缩冗余。
具体来说： * 文本邻居 → 采用双层语义摘要：先对单个节点文本进行压缩，再在元路径（metapath）层面对多个邻居进行二次摘要。 * 数值邻居 → 采用统计聚合：提取均值、分布特征等，传递统计信号而非冗余细节。 * 邻居裁剪 → 借助基于扩散的元路径裁剪（Markov Diffusion Kernel），过滤掉与目标节点无关的邻居，仅保留结构和语义相关的部分。
这一设计保证了提示既不被冗余拖累，也不会牺牲关键信息。 4.实验结果：性能与效率的平衡
研究团队在公开数据集（Yelp、Amazon Video Reviews）和工业数据集（E-Commerce、LifeService）上进行了验证。 
部分实验结果如下表： 
结果显示： * 全面超越现有方法：在Macro-F1、AUROC、AUPRC等多个指标上，DGP均取得最佳成绩，相比SOTA方法提升最高可达6.8%（AUPRC）。 * 有限Token下达到出色性能：与纯文本拼接相比，DGP在有限token预算内仍能保持甚至超越性能，实现了“性能-成本”的优秀平衡。 * 鲁棒性验证：消融实验显示，文本摘要、数值聚合和扩散裁剪均为有效组件；而在提示预算仅10 token时，依然能保持高性能，证明了DGP的高效性。
5.主要贡献
本文的主要贡献概括为以下几点： * 方法创新：提出了双粒度提示框架，解决了图增强大模型在欺诈检测中的“信息过载”问题。 * 差异化摘要策略：针对文本和数值特征分别设计了双层语义压缩与统计聚合，兼顾表达力与效率。 * 实证验证：在多个公开与工业数据集上，DGP全面超越GNN与LLM基线方法，展现出图增强LLM在欺诈检测中的巨大潜力。
6.小结
DGP通过在目标节点与邻居节点之间采用差异化的粒度控制，缓解了图增强大模型在欺诈检测中存在的信息过载问题。在多项公开和工业数据集上的实验结果表明，它在性能和token效率之间取得了较好的平衡。同时，这类方法的设计思路也显示出一定的扩展性与泛化潜力，可以作为构建更系统化**图基础模型（Graph Foundation Model，GFM****）**的一种探索路径。
DGP: A Dual-Granularity Prompting Framework for Fraud Detection with Graph-Enhanced LLMs
相关内容
微信扫码咨询专知VIP会员