PromoGuardian — 促销欺诈多关系图神经网络检测
Skill-PromoGuardian-Promotion-Fraud-GNN · 19-风控反欺诈
causalexperimentknowledge_graphfraud_detectionpricing知识图谱与RAG定价与利润风控与合规WF-D 选品扫描WF-F 动态定价WF-K 全域风险防御
收录于跨境风险防御作战室
年化 ROI$144,000-$672,000
实现难度⭐⭐⭐☆☆
业务视角
适用角色运营负责人 / 合规负责人 · 品牌负责人 · CEO
适用平台Amazon 刷评检测与举报 · TikTok Shop 刷单识别 · 竞品 Listing 攻击溯源
什么情况下用竞品刷单刷好评，自己的 BSR 和评分被打压；账号/ASIN 被恶意投诉删除；店铺有异常订单不确定是真实买家
成功是什么样的识别过滤刷评/恶意竞争行为，账号风险提前预警，维权有数据证据，降低封号风险
业务痛点
1. 解决的问题
促销运营负责人面临大促期优惠券被批量套利日损数万元——多关系图神经网络同时捕获设备/地址/时序三维欺诈信号，促销套利损失减少60-70%，年化节省100-500万元
2. 核心算法逻辑
传统欺诈检测把用户孤立看待，但促销欺诈通常是群体协作行为：一个主账号带动多个小号组成"刷单环"，利用促销规则批量套利。PromoGuardian 的核心洞察是：欺诈行为在关系图上留下的结构信号远比单节点特征更强。
3. 业务应用场景
业务问题：大促期间针对新用户的 $10 优惠券被批量注册账号套取。黑产团伙注册50个小号，同一设备/IP 轮流使用优惠券购买低价商品后立即退货，净套取优惠金额。估算损失：$10/单 × 200单/天 × 30天 = $60,000/月。
PromoGuardian 处理： - 构建大促期间全用户-设备-地址-商品 4 类关系图 - GNN 在2轮消息传递后识别出「设备共享度 > 3 且地址重叠 > 2」的强连通集团 - 对集团内节点提升欺诈概率阈值，触发人工复查
数据要求： - 用户注册信息（设备 fingerprint、注册 IP、邮箱域名） - 订单明细（购买商品 ASIN、金额、时间戳） - 退货记录（退货率 > 80% 为强信号） - 优惠券使用记录（同批次优惠券在同设备被使用 ≥ 2次）
4. 输入数据要求
请查看原始代码模板获取输入规格。
5. 输出结果
请查看原始代码模板获取输出规格。
6. 业务价值 / ROI
- ROI 预估：
- 促销欺诈典型损失：$20,000-$80,000/月（大促期间）
- 检测后减少 60-70%：$12,000-$56,000/月
- 年化：$144,000-$672,000（人民币约 100-500 万元）
- 实施难度：⭐⭐⭐☆☆
- 核心挑战：构建用户-设备-地址关系图（需要数据脱敏处理）
7. 代码模板
代码块数量：1 · 路径：未检测到
"""
PromoGuardian - 促销欺诈多关系图神经网络检测
基于多关系异构图 + GNN 的欺诈用户识别
依赖: numpy, torch (可选替换为纯numpy简化版)
"""
import numpy as np
from collections import defaultdict
from typing import Dict, List, Tuple, Set
# ─────────────────────────────────────────────
# 多关系图构建
# ─────────────────────────────────────────────
class MultiRelationGraph:
"""构建促销欺诈检测所需的多关系用户图"""
RELATION_TYPES = ['device', 'address', 'product', 'timing']
def __init__(self, time_window_hours: int = 24):
self.time_window = time_window_hours * 3600
self.edges: Dict[str, List[Tuple]] = {r: [] for r in self.RELATION_TYPES}
self.node_features: Dict[str, np.ndarray] = {}
def add_orders(self, orders: List[dict]):
"""
订单列表格式:
[{'user_id': str, 'device_id': str, 'ip': str,
'address_hash': str, 'product_id': str,
'timestamp': int, 'coupon_used': bool, 'return_rate': float}]
"""
# 建立各关系的倒排索引
device_map = defaultdict(list)
address_map = defaultdict(list)
product_map = defaultdict(list)
for o in orders:
uid = o['user_id']
device_map[o['device_id']].append(uid)
device_map[o['ip']].append(uid)
address_map[o['address_hash']].append(uid)
product_map[o['product_id']].append(uid)
# 构建用户特征向量
self.node_features[uid] = np.array([
o.get('return_rate', 0),
1.0 if o.get('coupon_used') else 0.0,
min(o.get('order_count', 1) / 10.0, 1.0),
min(o.get('account_age_days', 0) / 365.0, 1.0),
])
# 建立边：共享设备/IP
for device, users in device_map.items():
users = list(set(users))
for i in range(len(users)):
for j in range(i+1, len(users)):
self.edges['device'].append((users[i], users[j]))
# 建立边：共享收货地址8. 论文来源
- 2510.12652