近年来,随着互联网的发展,网上交易的数量迅速增长。然而,与之相伴的不仅仅是商机与便利,还存在着许多异常行为威胁着商家与用户的利益和安全,例如账号盗用、薅羊毛等。因此,人们需要一个合适的用户建模方法来发掘那些已经发生的异常行为并预防潜在的威胁与损失,而作为用户行为记录的操作事件序列是一个不错的切入点。用户的操作事件序列由一系列按时间排序的操作事件组成,其中的每一操作事件记录了用户单次操作的具体信息,包含用户地址、设备状况、操作类型等相关事件属性。传统的异常检测方法通常使用基于先期观察的手工特征,不仅代价高昂,而且受到特征设计人员个人能力的限制,也面临着用户标签信息数量有限、分布高度不平衡的问题。为了应对这些挑战,本文为网上交易数据设计了一种基于图的异常检测框架用于对用户行为进行建模并检测异常用户。首先,从用户操作事件序列中构建一张事件属性图,用于捕捉事件内部以及相邻事件之间事件属性的联系。其次,基于事件属性图和用户操作事件序列的指引,学习事件属性的向量表示,用作用户图的初始输入。然后,使用与事件属性图类似的图生成方式为每个用户生成用户图,用于代表用户的行为,并根据用户操作事件序列和事件属性图调整用户图上节点和边的权重。最后,使用图神经网络对调整后的用户图进行图分类任务来检测异常用户。本文在现实数据集上进行了对比实验,实验结果表明,在异常标签数量稀少、标签分布不平衡的情形下,相比于其他方法中的最优效果,本文所提出的方法在两个数据集中分别取得了1.3%和1.8%的F1评分提升,获得了最优的异常检测结果。本文在所生成的图和向量表示上进行了进一步的探索与分析,其结果论证了本文所提出方法的有效性与合理性。