1. 图机器学习与传统特征工程入门

第一次接触图数据时，我盯着社交网络的关系图谱发呆了半小时——这些错综复杂的连线背后，到底藏着怎样的规律？后来在斯坦福CS224W课程中找到了答案：特征工程就是解开图数据密码的第一把钥匙。不同于图像和文本数据，图数据特有的拓扑结构让特征提取充满挑战，也充满乐趣。

传统图机器学习的核心流程可以概括为"特征设计+模型训练"两个阶段。举个实际案例：在社交网络异常账号检测中，我们首先需要为每个账号（节点）设计反映其网络行为的特征，比如好友数量、互动频率、所处网络位置等，然后才能用机器学习模型识别可疑账号。这种模式适用于节点分类、链接预测、图分类三大典型任务。

手工设计图特征就像给数据"画像"：既要捕捉局部细节（如单个节点的连接情况），又要把握整体轮廓（如图的全局结构）。常见的特征类型包括：

• 节点级别：度数、中心性、聚类系数
• 边级别：共同邻居、路径特征
• 图级别：子图统计、核方法

在推荐系统项目中，我们曾用节点中心性特征成功识别出关键用户，使推荐覆盖率提升37%。这让我深刻体会到，好的特征工程能让传统方法在特定场景下媲美深度学习。

2. 节点级别特征设计实战

2.1 重要性特征：网络中的"关键先生"

节点中心性衡量的是影响力，就像社交网络中的大V。有次分析学术合作网络时，我们发现某位学者虽然发文量不多，但特征向量中心性却很高——原来他是多个跨学科团队的核心联络人。

特征向量中心性的计算公式为：

import numpy as np

def eigenvector_centrality(adj_matrix, iterations=100):
    n = adj_matrix.shape[0]
    centrality = np.ones(n)
    for _ in range(iterations):
        centrality = adj_matrix @ centrality
        centrality /= np.linalg.norm(centrality)
    return centrality

这个递归公式的核心思想是：重要节点的邻居也重要。实际计算时，我们会取邻接矩阵的主特征向量。

中介中心性则像交通枢纽的调度员。在快递网络分析中，我们发现中转仓库的介数中心性普遍较高。计算公式为：

c(v) = Σ (经过v的s-t最短路径数) / (s-t总最短路径数)

接近中心性反映信息传递效率。在内部通讯网络优化时，我们用它找出信息传递最慢的部门，优化后整体协作效率提升22%。

2.2 结构特征：邻居的相处模式

聚类系数衡量朋友圈的紧密程度。有趣的是，在欺诈检测中，异常账号的聚类系数往往明显偏低——因为它们通常不会形成真实的社交三角关系。

计算公式看似复杂，其实很直观：

聚类系数 = 实际存在的邻居间边数 / 可能的最大边数

Graphlet特征则像分子结构式。在化学分子性质预测中，我们使用包含2-5个节点的73种graphlet模式。例如甲烷分子会匹配多个星型graphlet（代码实现示例）：

def count_graphlets(adj_list, max_size=5):
    # 实现graphlet计数逻辑
    return feature_vector

比较两个蛋白质分子时，GDV（Graphlet Degree Vector）特征的相似性计算准确率比传统方法高18%。这种特征能捕捉4跳以内的局部拓扑结构，比单纯看节点度数精细得多。

3. 边级别特征工程详解

3.1 链接预测的两大场景

在电商平台商品关联推荐中，我们遇到两种典型场景：

1. 随机缺失边：现有关系未被完全观测（如用户可能喜欢但未购买的商品）
2. 演化边：随时间新增的关系（如用户未来的购买行为）

评估时，我们按预测得分排序，取Top-N计算命中率。一个经验是：新用户更适合基于全局特征的方法，而老用户用局部特征效果更好。

3.2 相似性特征设计

局部特征就像共同好友推荐。在社交平台实践中，我们发现Adamic-Adar指数比简单计数更准：

def adamic_adar(adj_matrix, u, v):
    common_neighbors = np.where(adj_matrix[u] & adj_matrix[v])[0]
    return sum(1/np.log(degree[n]) for n in common_neighbors)

因为它给度数低的共同邻居更高权重——你和你表姐的共同好友（亲戚）比和马云的共同好友（粉丝）更有意义。

全局特征解决"冷启动"问题。Katz指数通过路径衰减求和，能发现没有共同邻居但结构相似的节点对：

S = (I - βA)^-1 - I

其中β是衰减因子（通常取0.05）。在论文引用网络预测中，这帮助我们发现了两篇看似无关但研究思路高度相似的论文。

4. 图级别特征构建艺术

4.1 图核方法：图的"指纹识别"

图核就像比指纹——通过比较子结构出现频率来判断相似性。在化学化合物分类任务中，我们使用graphlet核成功区分了芳香族和脂肪族化合物。

关键步骤：

1. 枚举所有3-5个节点的子图模式
2. 统计每种graphlet出现次数
3. 构建特征向量并计算内积

不过当图超过1000个节点时，计算会变得非常昂贵。这时我们会采用采样策略，比如随机游走采样子图。

4.2 Weisfeiler-Lehman核：高效的色彩传播

WL核的巧妙之处在于用颜色传播模拟结构相似性。在软件代码克隆检测中，我们将AST（抽象语法树）转化为图，使用WL核的准确率达到91%，比传统方法快3倍。

算法流程示例：

def wl_kernel(graph1, graph2, iterations=3):
    colors1 = initial_colors(graph1)
    colors2 = initial_colors(graph2)
    for _ in range(iterations):
        colors1 = color_refinement(graph1, colors1)
        colors2 = color_refinement(graph2, colors2)
    return compare_color_histograms(colors1, colors2)

每次迭代相当于扩大一阶邻居范围，最终的颜色分布就是图的特征表示。

5. 实战经验与避坑指南

在金融风控项目中，我们踩过一个典型坑：直接拼接节点特征作为边特征，导致模型完全忽略了网络结构信息。后来改用对称化处理（如取平均值）才解决问题。

另一个教训来自超参选择：Katz指数中的衰减因子β需要谨慎调整。我们开发了一套网格搜索策略：

1. 先取最大特征值的倒数作为上限
2. 在0.001到上限间对数采样
3. 用交叉验证选择最优值

对于大规模图数据，我有三个实用建议：

1. 优先使用稀疏矩阵存储邻接关系
2. 度数高的节点考虑降采样
3. 全局特征计算采用分布式框架如Spark

传统方法虽然在benchmark上可能不如GNN亮眼，但在计算资源有限、需要模型解释性的场景下，它们仍然是可靠的选择。最近一个客户案例中，我们仅用节点中心性+逻辑回归就达到了0.89的AUC，训练时间却只有GNN的1/20。