融合记忆增强DGNN和LLM的加密货币非法交易检测OACHSSCD

[目的]针对加密货币非法交易检测中难以有效建模复杂时空关联与深层行为语义的问题,提出一种融合记忆增强的动态图神经网络和大语言模型的加密货币非法交易检测框架,旨在提升非法交易识别的准确率与决策可解释性。[方法]构建时空双维动态图神经网络,融合图卷积(GCN)与图注意力网络(GAT),同步捕获交易局部结构与全局时序演化规律;设计跨时序记忆增强模块,实现历史非法交易模式的原型存储与自适应检索;引入大语言模型(LLM)进行多源信息融合与协同推理,将结构特征与历史模式转化为结构化自然语言描述,进行语义层面的风险研判与可解释证据链生成。[结果/结论]在公开的比特币交易数据集上的实验表明,所提框架在精确率、召回率和F1指标等核心指标上均优于主流基线模型,且通过自然语言解释增强了结果的可信度,为加密货币非法交易检测提供了一种兼具高精度与可解释性的解决方案。