摘 要：當(dāng)前，在線信用卡交易欺詐案件快速增加，作案手段和方法更加多變，信用卡交易欺詐檢測(cè)已成為銀行風(fēng)險(xiǎn)防控的重點(diǎn)內(nèi)容。文章依托近年人工智能領(lǐng)域熱門(mén)的圖分析理論與算法，將信用卡交易數(shù)據(jù)轉(zhuǎn)化為圖結(jié)構(gòu)數(shù)據(jù)，從而分析信用卡交易欺詐圖的社區(qū)信息。在此基礎(chǔ)上，應(yīng)用圖表示學(xué)習(xí)算法Deepwalk和機(jī)器學(xué)習(xí)分類(lèi)器，構(gòu)建信用卡交易欺詐檢測(cè)模型，用于預(yù)測(cè)欺詐行為。實(shí)驗(yàn)結(jié)果表示，該模型對(duì)欺詐行為的檢測(cè)準(zhǔn)確率達(dá)70%。

關(guān)鍵詞：信用卡交易；欺詐檢測(cè)；圖分析算法；圖表示學(xué)習(xí)

中圖分類(lèi)號(hào)： 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-4706（2024）15-0138-04

Credit Card Transaction Fraud Detection Based on Graph Analysis Algorithm

YUAN Lining1，2， TANG Yuxia1，2， HUANG Wanyan1，2， LUO Hengyu3， HE Peiyao3

（1.School of Information Technology， Guangxi Police College， Nanning 530028， China;

2.School of Public Security Big Data Modern Industry， Guangxi Police College， Nanning 530028， China;

3.School of Criminal Science and Technology， Guangxi Police College， Nanning 530028， China）

Abstract： Currently， online credit card transaction fraud cases are rapidly increasing， with more diverse methods and tactics being used. The credit card transaction fraud detection has become the key focus of bank risk prevention and control. This paper relies on the popular graph analysis theory and algorithms in the field of Artificial Intelligence in recent years. It transforms credit card transaction data into graph-structured data to analyze the community information of the credit card transaction fraud graph. Based on this， it applies the graph representation learning algorithm Deepwalk and Machine Learning classifiers， and a credit card transaction fraud detection model is constructed to predict fraudulent behavior. The experiment results show that the model detection accuracy for fraud behavior reaches 70%.

Keywords： credit card transactions; fraud detection; graph analysis algorithm; graph representation learning

0 引 言

近年來(lái)，隨著互聯(lián)網(wǎng)技術(shù)的迅速發(fā)展，網(wǎng)絡(luò)犯罪日益猖獗，信用卡交易欺詐也呈現(xiàn)出愈加復(fù)雜和高科技化的趨勢(shì)。據(jù)中國(guó)銀行業(yè)協(xié)會(huì)發(fā)布的《中國(guó)銀行卡產(chǎn)業(yè)發(fā)展藍(lán)皮書(shū)（2022）》統(tǒng)計(jì)[1]，截至2021年末，銀行卡累計(jì)發(fā)卡量92.5億張，全國(guó)銀行卡交易金額1 060.6萬(wàn)億元，銀行卡欺詐率達(dá)0.32BP。在互聯(lián)網(wǎng)環(huán)境中，交易通常發(fā)生在虛擬世界，買(mǎi)賣(mài)雙方的真實(shí)身份難以驗(yàn)證，交易信息的真假性難以辨別，使得與信用卡交易相關(guān)的欺詐類(lèi)案件手段與方法更加多變。此外，欺詐團(tuán)伙呈現(xiàn)出集團(tuán)化、流水化、專(zhuān)業(yè)化的特征，犯罪過(guò)程中運(yùn)用的信息技術(shù)也越來(lái)越先進(jìn)。因此，針對(duì)信用卡交易的反欺詐技術(shù)，必須進(jìn)一步革新和升級(jí)。

信用卡交易欺詐檢測(cè)[2]是指通過(guò)用戶(hù)之間的交易行為，判斷交易是否存在欺詐情況，進(jìn)而保障銀行與持卡人的財(cái)產(chǎn)安全，保證企業(yè)的正常運(yùn)營(yíng)，提高金融部門(mén)的監(jiān)管能力，保證金融市場(chǎng)健康運(yùn)轉(zhuǎn)。因此，針對(duì)信用卡交易欺詐檢測(cè)技術(shù)的研究意義重大，既能夠提升數(shù)字化反欺詐水平和能力，又能夠?qū)⑺惴夹g(shù)落到公共財(cái)產(chǎn)保護(hù)的實(shí)處。在現(xiàn)有研究中，多數(shù)研究者使用常見(jiàn)的機(jī)器學(xué)習(xí)算法[3]進(jìn)行欺詐檢測(cè)，并提出了許多改善信用卡欺詐檢測(cè)系統(tǒng)準(zhǔn)確性的方法，但仍存在數(shù)據(jù)樣本不平衡、檢測(cè)難度高等問(wèn)題。

針對(duì)上述問(wèn)題，本文從全新的數(shù)據(jù)分析視角對(duì)信用卡交易數(shù)據(jù)中的欺詐行為進(jìn)行檢測(cè)，相關(guān)創(chuàng)新點(diǎn)如下：1）對(duì)開(kāi)源信用卡交易數(shù)據(jù)集進(jìn)行清洗和預(yù)處理，保留關(guān)鍵特征；2）將預(yù)處理后的數(shù)據(jù)轉(zhuǎn)化為二分圖，圖中節(jié)點(diǎn)分別表示消費(fèi)者和商家，邊表示交易關(guān)系；3）對(duì)生成的二分圖進(jìn)行社區(qū)檢測(cè)，評(píng)估不同社群中欺詐交易的比例；4）利用圖表示學(xué)習(xí)算法Deepwalk提取二分圖特征信息，生成保留特征信息的節(jié)點(diǎn)表示，然后將特征表示輸入機(jī)器學(xué)習(xí)分類(lèi)器中，對(duì)正常交易和欺詐交易進(jìn)行分類(lèi)。

1 相關(guān)工作

信用卡交易欺詐行為的檢測(cè)相較圖像識(shí)別、實(shí)體抽取等常見(jiàn)機(jī)器學(xué)習(xí)問(wèn)題更為復(fù)雜，因?yàn)榇嬖谌藶閰⑴c和干擾，直接運(yùn)用算法進(jìn)行欺詐行為判別的方法通常效果不佳。蔣等人對(duì)現(xiàn)有基于機(jī)器學(xué)習(xí)的信用卡交易欺詐檢測(cè)技術(shù)進(jìn)行了較為全面的綜述[4]，對(duì)技術(shù)、應(yīng)用等相關(guān)概念進(jìn)行了辨析，從監(jiān)督、半監(jiān)督和無(wú)監(jiān)督三個(gè)角度對(duì)現(xiàn)有方法進(jìn)行歸類(lèi)，并總結(jié)了目前研究存在的局限和挑戰(zhàn)。

在現(xiàn)有研究中，多數(shù)模型采用傳統(tǒng)機(jī)器學(xué)習(xí)算法進(jìn)行欺詐行為檢測(cè)。Mienye等人將長(zhǎng)短期記憶網(wǎng)絡(luò)和門(mén)控循環(huán)單元神經(jīng)網(wǎng)絡(luò)作為堆疊集成框架中的基礎(chǔ)學(xué)習(xí)器，以多層感知機(jī)作為元學(xué)習(xí)器，采用混合合成少數(shù)過(guò)采樣技術(shù)和最近鄰方法平衡數(shù)據(jù)集中的正常交易和異常交易的分布[5]。王等人提出基于Focal Loss損失函數(shù)的XGBoost算法FXGBoost[6]，解決了信用卡欺詐檢測(cè)模型中存在的數(shù)據(jù)不平衡問(wèn)題。此外，阮等人[7]和Cherif等人[2]均采用集成學(xué)習(xí)的方法，將多個(gè)不同的分類(lèi)器進(jìn)行疊加，充分利用模型間的互補(bǔ)性和集成學(xué)習(xí)的穩(wěn)健性，有效解決了數(shù)據(jù)特征冗余和樣本不平衡問(wèn)題。與已有研究不同，本文首先將原始的信用卡交易數(shù)據(jù)轉(zhuǎn)化為圖數(shù)據(jù)，然后運(yùn)用當(dāng)前較為先進(jìn)的圖數(shù)據(jù)分析和挖掘算法進(jìn)行檢測(cè)，為欺詐檢測(cè)技術(shù)提供了一種全新的視角。

2 理論與算法

f6bccb55ff2ab943591fc6e38dc8fe2c2.1 圖的基本概念

圖描述了實(shí)體之間的成對(duì)關(guān)系，能夠表示不同領(lǐng)域中的現(xiàn)實(shí)世界數(shù)據(jù)，包括社交網(wǎng)絡(luò)、交通網(wǎng)絡(luò)、化學(xué)分子和蛋白質(zhì)關(guān)系。在數(shù)據(jù)結(jié)構(gòu)中，圖被定義為由實(shí)體的節(jié)點(diǎn)和表示實(shí)體間關(guān)系的邊構(gòu)成，記為G=（V，E），其中V表示節(jié)點(diǎn)集合，E表示邊集合。節(jié)點(diǎn)集合可表示為V={v1，v2，…，vn}，邊可表示為（vi，vj）或eij的形式。根據(jù)圖中包含信息的不同，圖有多種分類(lèi)方式，例如，依據(jù)邊是否具有方向性，可以將圖分為有向圖或者無(wú)向圖；邊是否具有權(quán)重系數(shù)，分為加權(quán)圖和非加權(quán)圖。此外，還有一些特殊類(lèi)型的圖，例如二分圖將節(jié)點(diǎn)集合分為A和B兩個(gè)子集，兩個(gè)集合內(nèi)部的節(jié)點(diǎn)沒(méi)有邊，僅在兩個(gè)集合間形成邊。作為一種常見(jiàn)的數(shù)據(jù)結(jié)構(gòu)，圖有多種存儲(chǔ)方式，其中鄰接矩陣是兩種最常用的表示方式之一，其表現(xiàn)形式可定義為：

（1）

式中，a表示邊eij的權(quán)重，當(dāng)節(jié)點(diǎn)vi和vj之間存在邊eij時(shí)，a的值大于0。

除了上述基本性質(zhì)，圖還具有許多重要的統(tǒng)計(jì)特性。例如，節(jié)點(diǎn)vi的邊數(shù)稱(chēng)為節(jié)點(diǎn)vi的度，記為deg（vi）=|N（vi）|，所有節(jié)點(diǎn)度之和與邊的數(shù)量關(guān)系為。對(duì)于有向圖還包括出度和入度的概念，頂點(diǎn)的實(shí)際度數(shù)等于該頂點(diǎn)的出度與入度之和。兩個(gè)節(jié)點(diǎn)間最少邊數(shù)稱(chēng)為節(jié)點(diǎn)距離，兩個(gè)節(jié)點(diǎn)的距離實(shí)質(zhì)上就是圖中的最短路徑。

2.2 基于隨機(jī)游走的圖分析模型

在圖學(xué)習(xí)算法中，提取節(jié)點(diǎn)共現(xiàn)關(guān)系是一種常用的圖結(jié)構(gòu)學(xué)習(xí)方法。通過(guò)執(zhí)行隨機(jī)游走，如果節(jié)點(diǎn)在游走序列中同時(shí)出現(xiàn)，則認(rèn)為節(jié)點(diǎn)具有內(nèi)在相似性，通過(guò)設(shè)置特定的優(yōu)化映射函數(shù)，即可從隨機(jī)游走中提取“相似性”。本節(jié)介紹兩種隨機(jī)游走算法的核心原理。

臘等人[8]使用隨機(jī)游走對(duì)節(jié)點(diǎn)進(jìn)行采樣，生成節(jié)點(diǎn)序列，再應(yīng)用Skip-Gram[9]模型最大化節(jié)點(diǎn)序列中窗口w范圍內(nèi)節(jié)點(diǎn)之間的共現(xiàn)概率，從而提取原始圖結(jié)構(gòu)特征：

（2）

生成的節(jié)點(diǎn)表示Y={Y1，Y2，Yn}，這些表示將節(jié)點(diǎn)之間的關(guān)系編碼在低維向量空間，用于捕捉鄰域相似性和社區(qū)結(jié)構(gòu)，學(xué)習(xí)節(jié)點(diǎn)的潛在特征。Deepwalk模型結(jié)構(gòu)如圖1所示，以下是對(duì)圖中算法的逐步解釋?zhuān)?）隨機(jī)游動(dòng)生成：對(duì)于輸入圖G的每個(gè)節(jié)點(diǎn)，計(jì)算一組具有固定最大長(zhǎng)度的隨機(jī)游動(dòng)；2）訓(xùn)練Skip-Gram：使用在前一步中生成的所有隨機(jī)游動(dòng)，訓(xùn)練Skip-Gram模型，Skip-Gram模型適用于單詞和句子，當(dāng)一個(gè)圖被作為Skip-Gram模型的輸入時(shí)，圖可以被視為輸入文本語(yǔ)料庫(kù)，而圖中單個(gè)節(jié)點(diǎn)可以被視作為語(yǔ)料庫(kù)的一個(gè)單詞；3）嵌入生成：使用包含在訓(xùn)練的Skip-Gram模型隱藏層中的信息來(lái)提取每個(gè)節(jié)點(diǎn)的嵌入。

自Deepwalk問(wèn)世以來(lái)，網(wǎng)絡(luò)表示學(xué)習(xí)方法[10]隨之流行，同時(shí)生成的節(jié)點(diǎn)嵌入也被用于節(jié)點(diǎn)分類(lèi)、鏈路預(yù)測(cè)、社區(qū)檢測(cè)等眾多圖分析任務(wù)中。雖然Deepwalk沒(méi)有顯式地分解表示原始圖結(jié)構(gòu)的鄰接矩陣，但可以被歸類(lèi)為潛在特征方法：

（3）

其中，表示節(jié)點(diǎn)度的總和，D表示對(duì)角度矩陣，A表示鄰接矩陣，w表示Skip-Gram的窗口大小，b表示常數(shù)項(xiàng)。Deepwalk本質(zhì)上是能過(guò)對(duì)高階規(guī)范化鄰接矩陣的和（最多w個(gè)）的對(duì)數(shù)進(jìn)行因式分解來(lái)實(shí)現(xiàn)的。所以Deepwalk已經(jīng)隱式地建模了從1到w階的多尺度依賴(lài)關(guān)系，得到的是一個(gè)覆蓋所有尺度的全局表示，只是無(wú)法對(duì)不同尺度單獨(dú)進(jìn)行訪問(wèn)。

3 信用卡交易欺詐檢測(cè)

本節(jié)使用Kaggle提供的信用卡交易欺詐檢測(cè)數(shù)據(jù)集（https：//www.kaggle.com/kartik2112/fraud-detection？select=fraudTrain.csv）進(jìn)行實(shí)驗(yàn)包。該數(shù)集據(jù)涵蓋了從2019年1月1日至2020年12月31日1 000位用戶(hù)與800位商家的正常和欺詐交易記錄，每筆交易包含23個(gè)不同的特征。在本節(jié)中，首先將信用卡交易轉(zhuǎn)換為圖結(jié)構(gòu)數(shù)據(jù)，然后提取交易圖的基本性質(zhì)和社群屬性，最后對(duì)信用卡圖中的社區(qū)結(jié)構(gòu)和欺詐行為進(jìn)行檢測(cè)。

3.1 數(shù)據(jù)預(yù)處理

為進(jìn)行后續(xù)的相關(guān)分析，本文對(duì)原始數(shù)據(jù)的23個(gè)特征進(jìn)行了篩選，在模型訓(xùn)練過(guò)程中應(yīng)用的相關(guān)特征信息如表1所示。同時(shí)，為減少計(jì)算量，我們從數(shù)據(jù)集中選取了20%正常交易和所有欺詐交易（正常交易257 834筆，欺詐交易7 506筆）作為實(shí)驗(yàn)數(shù)據(jù)集。

然后，將特征提取后的數(shù)據(jù)集表示為二分圖G=（Vc，Vm，E，σ），其中Vc表示消費(fèi)者節(jié)點(diǎn)集合，Vm表示商家節(jié)點(diǎn)集合。如果存在從消費(fèi)者到商家的交易行為，則在圖中創(chuàng)建一條從消費(fèi)者節(jié)點(diǎn)到商家節(jié)點(diǎn)的邊（vc，vm），并為每條邊分配一個(gè)由交易金額大小確定（以美元為單位）的權(quán)重。由于邊通過(guò)交易關(guān)系信息進(jìn)行構(gòu)建，因此將消費(fèi)者和商家之間的多次交易信息進(jìn)行壓縮，當(dāng)二者間存在多筆交易時(shí)，僅建立一條邊，同時(shí)權(quán)重由所有交易金額的總和確定。最后，為每條邊指定標(biāo)簽信息，明確標(biāo)記該交易是正常交易還是欺詐交易。

3.2 社區(qū)檢測(cè)和欺詐檢測(cè)

本節(jié)使用常用的社區(qū)檢測(cè)算法Louvain算法[11]對(duì)生成的二分圖進(jìn)行劃分，并展示算法檢測(cè)到的社區(qū)結(jié)構(gòu)。Louvain算法是一種基于模塊度的社區(qū)發(fā)現(xiàn)算法，它將圖中節(jié)點(diǎn)嘗試分配到其所有鄰居節(jié)點(diǎn)所屬的社區(qū)中，并選擇能夠最大化模塊度增量的社區(qū)標(biāo)簽。在每次迭代中，算法會(huì)根據(jù)當(dāng)前社區(qū)劃分重新計(jì)算模塊度，這個(gè)過(guò)程會(huì)一直重復(fù)，直到模塊度不再增大為止。對(duì)于Louvain算法檢測(cè)到的每組社區(qū)，直接計(jì)算欺詐交易的百分比，從而確定欺詐交易高度集中的子圖，實(shí)驗(yàn)結(jié)果如圖2所示。從實(shí)驗(yàn)結(jié)果可以看出，多數(shù)社區(qū)中存在較高比率的欺詐交易行為。同時(shí)，我們依據(jù)圖2中相關(guān)結(jié)果，能夠?yàn)楹罄m(xù)同一社區(qū)中欺詐行為的共性和不同社區(qū)間欺詐行為的差異性提供分析依據(jù)。

然后，我們使用圖表示學(xué)習(xí)算法Deepwalk生成二分圖中節(jié)點(diǎn)的特征表示。對(duì)于每條表邊，我們使用Deepwalk生成的相關(guān)節(jié)點(diǎn)嵌入的平均值進(jìn)行表示，然后將其輸入到支持向量機(jī)（Support Vector Machines， SVM）中，實(shí)現(xiàn)信用卡交易中正常交易和欺詐交易的分類(lèi)，并通過(guò)準(zhǔn)確率對(duì)模型進(jìn)行評(píng)估。在分類(lèi)過(guò)程中，對(duì)原始數(shù)據(jù)進(jìn)行隨機(jī)下采樣技術(shù)，以改善正常交易與欺詐交易數(shù)量不平衡問(wèn)題，并將數(shù)據(jù)劃分為80%的訓(xùn)練集和20%的測(cè)試集。此外，為了評(píng)估模型的實(shí)驗(yàn)性能，本文方法與采用基于node2vec和隨機(jī)森林（Random Forest）的異常檢測(cè)算法NR-bipartite[12]和NR-tripartite[12]進(jìn)行比較，實(shí)驗(yàn)結(jié)果如圖3所示。

最終，基于Deepwalk和SVM的圖分析算法的預(yù)測(cè)結(jié)果為0.70，相較使用L1和L2權(quán)重融合的NR-bipartite分別提升了6%和7%，相較使用L1和L2權(quán)重融合的NR-tripartite均提升了4%。從欺詐檢測(cè)結(jié)果看，本文提出的圖分析算法不僅將表格形式的信用卡欺詐檢測(cè)數(shù)據(jù)轉(zhuǎn)化為具有相關(guān)性的圖數(shù)據(jù)，同時(shí)還提高了欺詐行為檢測(cè)的準(zhǔn)確度，能夠有效識(shí)別異常交易。

4 結(jié) 論

相較于傳統(tǒng)的機(jī)器學(xué)習(xí)方法，本文將欺詐檢測(cè)任務(wù)轉(zhuǎn)化為圖分析問(wèn)題，將原始數(shù)據(jù)轉(zhuǎn)化為二分圖，并使用社區(qū)檢測(cè)算法進(jìn)行特征分析，再利用圖分析算法生成每筆交易的特征表示。此外，考慮到正負(fù)樣本比例不均衡的問(wèn)題，在使用Deepwalk進(jìn)行特征提取前，通過(guò)下采樣方法改善數(shù)據(jù)分布。最后再將提取到的特征信息輸入到分類(lèi)器中，對(duì)正常交易和欺詐交易進(jìn)行分類(lèi)，并取得較好的實(shí)驗(yàn)效果。上述結(jié)果表明，圖分析算法是對(duì)信用卡交易欺詐檢測(cè)任務(wù)的一次積極嘗試，在實(shí)現(xiàn)預(yù)測(cè)任務(wù)的同時(shí)，也為欺詐檢測(cè)技術(shù)的發(fā)展提供了新視角。

本文主要運(yùn)用圖分析算法對(duì)信用卡欺詐檢測(cè)進(jìn)行研究。由于信用卡信息涉及個(gè)人隱私，因此僅在公開(kāi)數(shù)據(jù)集上進(jìn)行測(cè)試和分析，難以全面檢驗(yàn)算法的泛化性。此外，雖然基于圖分析算法的信用卡交易欺詐檢測(cè)模型表現(xiàn)出了一定的優(yōu)越性，但仍存在特征提取能力不足、屬性信息利用不充分等問(wèn)題。在后續(xù)工作中，將引入更加高效的圖表示學(xué)習(xí)算法，同時(shí)提取原始圖中節(jié)點(diǎn)的屬性和拓?fù)湫畔?，以確保生成的低維節(jié)點(diǎn)表示能夠保留更豐富的原始圖信息，進(jìn)而提升分類(lèi)結(jié)果。

參考文獻(xiàn)：

[1] 《中國(guó)銀行卡產(chǎn)業(yè)發(fā)展藍(lán)皮書(shū)（2022）》 [J].中國(guó)銀行業(yè)，2022（10）：106.

[2] CHERIF A，AMMAR H，KALKATAWI M，et al. Encoder–Decoder Graph Neural Network for Credit Card Fraud Detection [J/OL].Journal of King Saud University-Computer and Information Sciences，2024，36（3）：102003[2024-02-10].https：//doi.org/10.1016/j.jksuci.2024.102003.

[3] 閔繼源，魯統(tǒng)宇，任婷婷，等.基于規(guī)則集成的可解釋機(jī)器學(xué)習(xí)算法及應(yīng)用 [J].計(jì)算機(jī)科學(xué)與探索，2024，18（6）：1476-1490.

[4] 蔣洪迅，江俊毅，梁循.基于機(jī)器學(xué)習(xí)的信用卡交易欺詐檢測(cè)研究綜述 [J].計(jì)算機(jī)工程與應(yīng)用，2023，59（21）：1-25.

[5] MIENYE I D，SUN Y X. A Deep Learning Ensemble With Data Resampling for Credit Card Fraud Detection [J].IEEE Access，2023，11：30628-30638.

[6] 王威.基于改進(jìn)的Focal Loss函數(shù)XGBoost的信用卡詐騙預(yù)測(cè)模型 [J].信息記錄材料，2022，23（12）：192-196.

[7] 阮素梅，孫旭升，甘中新.基于三階段集成學(xué)習(xí)的信用卡欺詐檢測(cè)研究 [J].運(yùn)籌與管理，2023，32（12）：118-123.

[8] 臘志垚，錢(qián)育蓉，冷洪勇，等.基于隨機(jī)游走的圖嵌入研究綜述 [J].計(jì)算機(jī)工程與應(yīng)用，2022，58（13）：1-13.

[9] 席寧麗，朱麗佳，王錄通，等.一種Word2vec構(gòu)建詞向量模型的實(shí)現(xiàn)方法 [J].電腦與信息技術(shù)，2023，31（1）：43-46.

[10] 袁立寧，李欣，王曉冬，等.圖嵌入模型綜述 [J].計(jì)算機(jī)科學(xué)與探索，2022，16（1）：59-87.

[11] 付立東，吳鴻飛.基于相似度加強(qiáng)Louvain方法的復(fù)雜網(wǎng)絡(luò)社區(qū)檢測(cè) [J].信息技術(shù)，2023（10）：12-16.

[12] CLAUDIO S，MARZULLO A，DEUSEBIO E. Graph Machine Learning： Take Graph Data to the Next Level by Applying Machine Learning Techniques and Algorithms [M].[S.I.]：Packt Publishing Ltd.，2021.

作者簡(jiǎn)介：袁立寧（1995—），男，漢族，河北唐山人，專(zhuān)任教師，碩士，研究方向：機(jī)器學(xué)習(xí)、圖神經(jīng)網(wǎng)絡(luò)；通訊作者：唐雨霞（1995—），女，壯族，廣西河池人，專(zhuān)任教師，碩士，研究方向：機(jī)器學(xué)習(xí)、圖像處理；黃琬雁（1997—），女，壯族，廣西貴港人，專(zhuān)任教師，碩士，研究方向：機(jī)器學(xué)習(xí)、教育技術(shù)；羅恒雨（2003—），女，漢族，廣西玉林人，本科在讀，研究方向：機(jī)器學(xué)習(xí)、刑事科學(xué)技術(shù)；何佩遙（2002—），女，漢族，廣西南寧人，本科在讀，研究方向：機(jī)器學(xué)習(xí)、刑事科學(xué)技術(shù)。