伴随着手机支付的快速发展,电商平台的欺诈交易现象变得越来越严重,欺诈交易检测一直是电商平台风控系统的一个重要部分。但是在平台严厉打击这些欺诈交易的同时,犯罪分子的欺诈手段不断升级,欺诈能力也不断提升,导致欺诈风险持续走高,社会经济损失不断扩大。因此,如何准确识别欺诈交易成为了一大重要的研究课题。本文从交易涉及的主体入手,构建了一个包含交易、地址、IP、手机号类型节点的异构图,旨在解决电商平台欺诈交易的检测问题。本文总结了以下四个分析结果作为开展工作的基本依据:（1）恶意用户的行为受限于资源的成本,大多数恶意用户只会在少数资源上频繁下单;（2）用户的浏览行为在判断用户是否为恶意方面有着良好的区分能力;（3）恶意用户倾向于产生更多点击行为,并且会在一些异常时间进行频繁活动;（4）交易的一些即时特征可以直观地表现出交易的异常程度。其中第一个结果启示我们使用交易-资源异构图来构造一个信息网络,结果二三四分别从三个方面对一笔交易进行刻画,为了利用用户浏览行为数据,我们将点击流数据视为行为序列,使用Transformer模型学习序列嵌入表示,并将它与用户和交易特征相结合,形成交易的混合特征表示。在模型方面,本文在 HAN 模型（Heterogeneous Graph Attention Network）的基础上进一步改进,提出了 HAAN 模型（Heterogeneous Feature Attention and Graph Attention Network）,它基于异构图神经网络提取交易信息。HAAN模型由三个部分组成:首先在节点自身特征学习上引入注意力机制,以更好地提取节点多方面特征信息。其次不同的邻居节点可能对目标节点起着不同的作用,所以在融合邻居信息时,通过注意力机制来学习不同邻居的重要性。最后从内部视图和交叉视图两个方面定义了一系列元路径,使用注意力机制来聚合不同元路径的信息,实现权重的自适应匹配。通过这三层注意力结构不仅能够对各方面信息分配不同的权重进行学习,而且模型具有和逻辑回归、GBDT、xgboost等模型相当的可解释性,提高了模型在真实环境中的欺诈交易案例的可信度。本文利用京东平台上的真实交易数据构建了两个不同规模的数据集并进行了广泛的实验。实验结果表明,模型的F1-Score分别为0.9117和0.8862,相比最好的基准模型分别有0.003和0.01的提升。这验证了 HAAN模型的合理性和有效性,同时说明了本文为欺诈交易检测的研究提供了新的有效识别方法。