چکیده: شناسایی رفتار و الگوی متفاوت داده‌ها در میان حجم زیاد اطلاعات موجود، از اهمیت زیادی برخوردار است. یکی از مهم‌ترین حوزه‌های حال حاضر درمورد تشخیص الگوی متفاوت و ناهنجاری در داده‌ها، حوزههای مالی و بخش معاملات است. به دلیل حجم بالای تراکنش‌ها، تعداد زیاد سرمایه‌گذاران و پیچیدگی فرآیند انجام معاملات، تقلب و تبانی اقتصادی از جمله معضلاتی است که در این بخش وجود دارد. با استقرار و رشد دولت الکترونیک در بسیاری از کشور‌ها، بسیاری از مناقصات و مزایده‌های انجام شده در بخش دولتی از روش‌های سنتی خارج شده و به صورتی الکترونیکی انجام می‌شود. پژوهش حاضر با هدف شناسایی افراد مشکوک در مناقصات بخش دولتی انجام شد و به بررسی تاثیر استفاده از روش‌های یادگیری عمیق بازنمایی گراف در شناسایی رفتار مشکوک داده‌ها پرداخته است. در این پژوهش با کمک روش‌ خوشه‌بندی به تحلیل رفتار مشتریان در معاملات پرداخته شد و الگوی داده‌ها در خوشه‌های مختلف تحلیل شد. مجموعه دادگان استفاده شده در پژوهش حاضر، شامل مناقصات انجام شده توسط دستگاه‌های دولتی در کشور ایران است که در بازه‌ی زمانی 1389 تا 1398 در سامانه تدارک دولتی (ستاد) در دسترس عموم قرار دارد. بعد از مدل‌سازی و تبدیل داده‌ها در قالب گراف معاملات، با روش‌های تحلیل شبکه‌های گرافی شاخص‌های مهم گراف استخراج شد و به استخراج انجمن‌های پرارزش گراف معاملاتی پرداخته شد و تامین‌کنندگان و دستگاه‌های اجرایی تاثیرگذار در معاملات بزرگ شناسایی شد. برای اجرای الگوریتم خوشه‌بندی و تحلیل خوشه‌ها بر روی داده‌های انجمن‌ها، با استفاده از رویکرد‌های یادگیری عمیق بازنمایی گراف، تعبیه گره‌های گراف صورت گرفت. ویژگی‌های هر گره معاملاتی (ارزش ریالی معاملات و تعداد معاملات انجام شده) به همراه ویژگی‌های بدست آمده از طریق تحلیل گراف و بردار ویژگی تعبیه گراف، به عنوان ورودی داده‌های الگوریتم خوشه‌بندی در نظر گرفته شد. و در نهایت با تحلیل خوشه‌ها و داد‌ه‌های درون هریک از آن‌ خوشه‌ها داده‌های مشکوک و با رفتار متفاوت شناسایی شد. یافته‌های تحقیق نشان می‌دهند که استفاده از ویژگی‌های گراف به همراه بردار ویژگی تعبیه شده گره‌های گراف که توسط روش‌های یادگیری عمیق بازنمایی گراف به دست آمده، در خوشه‌بندی بهتر و با کیفیت‌تر داده‌ها کمک قابل توجهی داشتند. بعلاوه، این پژوهش نشان داد که هرچه طول بردار ویژگی در تعبیه گراف بیشتر باشد، به دلیل در دسترس بودن اطلاعات بیشتر گره‌های همسایه در گراف، باعث عملکرد بهتر در خوشه‌بندی داده‌ها می‌شود و شناسایی داده با رفتار مشکوک در بین داده‌ها با دقت بالاتری صورت می‌گیرد.