KDD ‘27 收录的风控相关论文，研究对象为O2O刷单检测。平台业务持续产出图关联、时序行为、结构化指标三类动态风控数据，大模型仅支持文本输入，采用模板化转写方案，完成数据向提示词字段的映射。
系统预先维护账号关联图，边由设备、收货地址、支付信息生成。单条订单进入流程，以订单账号、对应商户为中心截取局部子图，提取团伙规模、共享实体、群体活跃度等聚合统计值，实体编号做匿名处理，填入固定句式，生成图证据文本。原始邻接关系、节点向量不参与输出。
A de-identified entity group contains 17 linked accounts, with aggregated activity observed over the recent period.
时序数据流采集用户登录、下单、支付、核销事件，按观测窗口聚合，对比该用户历史行为基线，输出偏差描述文本，原始细粒度事件序列不直接送入提示词。
A representative sequence of platform event records relevant to risk assessment was observed and summarized.
结构化表格指标，布尔标记、枚举值转换为陈述句，数值附带同人群中位数对比信息，生成描述语句。
Aggregated activity indicators over a short observation window were summarized into structured textual evidence, together with contextual consistency signals.
三类文本片段拼接后，填充至prompt模板内{{feature}}占位位置，构成大模型输入证据段。论文附录仅放出以上单句样例，未公开填充完成后的完整提示词实例。提示词内预置角色定义、三类交易场景说明、分析步骤、输出标签格式。
转写逻辑随订单动态执行。每一笔待审订单，实时拉取当期图、时序、指标数据，独立生成对应证据文本，送入后续SFT、GRPO训练以及线上推理链路。
参考文献
You, S., Xu, B., Zheng, Z., Peng, X., Xie, Y., Wang, Y., & Xu, J. (2026). Traceable LLM Reasoning for Fake-Order Fraud Detection. arXiv:2607.23075.