في السنوات الأخيرة، أظهرت نماذج اللغات الضخمة (Large Language Models - LLMs) قدرة ملحوظة في التعامل مع المهام المرتبطة بالرسوم البيانية، مثل كشف الاحتيال. ورغم ذلك، تعاني العديد من الأساليب الحالية من الاعتماد الكبير على الخصائص النصية الغنية، مما يمثل تحدياً في هذا المجال بسبب ندرة البيانات النصية.

على الرغم من بعض المبادرات الرائدة للتغلب على هذه المشكلة، إلا أن تحويل الهياكل البيانية إلى نصوص عبر استخدام المحفزات الصعبة (hard prompts) قد يؤدي بسهولة إلى تشويه الميزات. وعلاوة على ذلك، فإن عملية كشف الاحتيال غالباً ما تتسم بتعقيد متعدد العلاقات، حيث تواجه الأساليب الحالية صعوبة في التقاط المعلومات الدلالية العميقة.

لمعالجة هذه التحديات، نقترح إطار العمل LLM-GNN Soft Prompt Framework (LGSPF). يربط هذا الإطار بين الهيكل البياني والفضاء الدلالي باستخدام محفزات ناعمة (soft prompts) للقضاء على الاعتماد على النصوص. كما نقدم مفسرًا موازياً من الشبكات العصبية البيانية (Graph Neural Network - GNN) لترجمة البنى متعددة العلاقات إلى رموز بيانية تساعد في فهم الاحتيال بدقة فائقة.

من خلال تحسين دوري شامل، يعزز LGSPF التناغم الدلالي العميق بين LLM وGNN. أظهرت تجاربنا عبر معايير كشف الاحتيال المتنوعة أن طريقتنا تحقق أداءً رائداً. بالإضافة إلى ذلك، تم التحقق من مساهمة LGSPF في تعزيز القابلية للتفسير الدلالي لسلوكيات الاحتيال، مما يفتح آفاقاً جديدة في مكافحة الاحتيال من خلال الذكاء الاصطناعي.