随着移动互联网的蓬勃发展,互联网服务逐渐人性化、便民化。这些互联网服务依托大数据与云计算的支撑,正在全方位改善人们的生活。然而,由于数据量的爆炸性增长,一些不法分子会将其欺诈行为隐藏在海量数据中,通过伪装成正常的互联网用户来逃避反欺诈系统的检测,进而实施一系列的犯罪行为来牟取利益。互联网中进行欺诈检测主要面临如下三大挑战:一是类别极度不平衡,由于互联网中用户基数大,欺诈者只占正常用户的万分之一甚至更低,因此欺诈检测模型很难高效地识别出欺诈者;二是欺诈者针对反欺诈系统的对抗攻击,欺诈者通过改变自身以往的行为,或模仿正常用户的行为来逃过反欺诈模型的检测,欺诈手段的快速变化也对欺诈检测系统提出了新的挑战;三是噪声信息多以及标签的稀缺,导致特征学习的指导信号弱,由于大多数数据缺乏完备的标签,噪声信息也会干扰模型的训练,如何在新场景中检测欺诈行为就成了又一挑战。基于以上描述,本文分别从数据层面的视角以及图结构层面的视角来切入欺诈检测领域,主要工作如下:（1）从数据层面看,由于欺诈检测任务中数据集极度不平衡,传统的数据采样算法并不能很好地应用在图结构数据中,因此,本文提出了一种基于异质图的过采样算法（Heterogeneous Graph SMOTE,HGSMOTE）,将传统的过采样算法应用在异质图中。考虑到异质图中存在丰富的特征信息,而先前的过采样算法生成新的样本时会缺失相应的属性信息,因此本文在特征提取阶段,使用基于属性补全的异质图神经网络聚合节点信息。同时,使用异质图注意力网络来执行节点分类任务。在Amazon和Yelp Chi两个数据集上的实验结果证明了HGSMOTE算法的有效性。（2）从图结构层面看,考虑到欺诈者通常会通过伪装自身行为特征来对抗反欺诈系统的检测,映射到图结构层面即欺诈者往往倾向于与正常用户建立边的联系,因此,本文提出了一种基于多层注意力机制的异质图欺诈检测框架（Hierarchical Attention Fraud Detection,HAFD）,具体来说,通过设计关系融合模块以及邻域融合模块来获取图结构特征,通过信息感知模块消除噪声信息并融合特征信息来生成最终的节点嵌入信息,通过面向不平衡的分类模块来修正数据中的不平衡现象,进而实现欺诈节点的成功分类。在Amazon和Yelp Chi两个数据集上的实验结果表明了HAFD可以有效地过滤掉模型训练中存在的噪声信息以及准确地识别出伪装了自身特征的欺诈者。