2. 标签传播算法基础原理：半监督学习、图结构、标签传播的直觉与迭代过程

这一章，我们来聊聊标签传播算法的根基。说白了，就是搞清楚它凭什么能在数据治理里发挥作用。我接触这个算法好几年了，每次用它处理那些“半死不活”的脏数据，都觉得它挺神奇的。

你可能会问：什么是半监督学习？图结构又是什么鬼？标签传播到底是怎么“传染”的？别急，我们一个一个来拆。

2.1 从“半监督”说起

传统的机器学习，要么是有监督（全靠标注数据），要么是无监督（全靠自己聚类）。但在实际的数据治理场景里，我们遇到的情况往往是：少量标注 + 大量未标注。为什么？因为标注数据太贵了。我早年间在一个客户数据清洗项目里，光标注几千条“是否同一人”就花了一周时间。

这就是半监督学习的用武之地。它利用少量已知标签，去推测大量未知标签。你想想看，这像不像一个班级里，老师只教了几个尖子生，然后让他们去带动全班同学？

学习范式	数据标注情况	典型应用
有监督学习	全部标注	需要大量人工，成本高
无监督学习	全部未标注	聚类分析，不依赖标签
半监督学习	少量标注 + 大量未标注	标签传播、自训练等，适合数据治理

我个人习惯把半监督学习想象成一个“纠错机制”。标注数据是铁证，未标注数据是嫌疑人。算法通过它们之间的关联，把铁证慢慢地“传染”给嫌疑人。

2.2 图结构：数据关系的“地图”

标签传播算法依赖一个关键的东西——图。图是由节点和边组成的。每个数据点就是一个节点，节点之间的相似度就是边。

举个例子。假设我们有1000条客户记录，一部分有“是否重复”的标签。我们把这1000条记录当成1000个节点。名字相似、地址相近的两条记录之间，我们就连一条边，边的粗细代表相似度高低。

嗯，这里要注意：图的质量直接决定了传播效果。我在项目里见过有人直接用皮尔逊相关系数算相似度，结果图里全是弱连接，传播到一半就断了。

图结构有几个重要参数：

• 节点数：就是样本总数。
• 边与权重：用高斯核函数计算：w_ij = exp(-||x_i - x_j||² / σ²)。σ控制着相似度的衰减速度。
• 邻接矩阵：一个N×N的矩阵，记录了节点间的连接关系。

你想想看，有了这个“地图”，标签传播就有了路径。

2.3 标签传播的直觉：病毒式扩散

直觉上，标签传播就是让已知标签沿着图的边“流”向未知节点。就像一滴墨水落在一张纸上，慢慢洇开。

算法的核心假设是：两个节点越相似，它们的标签越可能相同。这看似简单，但非常强大。

我们可以把传播过程想象成一场“投票”：

1. 每个未标记节点，统计它的邻居节点都有哪些标签。
2. 邻居节点的权重越高，投票权重越大。
3. 得票最多的标签，成为该节点的新标签。
4. 重复这个过程，直到标签不再变化。

说得再直白点，就是“跟你的朋友保持一致”。你身边的朋友都是博士，你大概率也是；你邻居都是做清洁的，你大概率也是。

2.4 迭代过程：从模糊到清晰

刚接触这个算法时，我总觉得一次传播就够了。后来发现，一次传播只能影响直接邻居，真正的“远距离”传染，需要多轮迭代。

标准的迭代过程如下：

# 伪代码演示
while not converged:
    for each unlabeled node u:
        # 统计邻居的标签分布
        scores = {}
        for each neighbor v of u:
            label_v = labels[v]
            weight_uv = weight[u][v]
            scores[label_v] += weight_uv
        # 更新为得分最高的标签
        new_label = argmax(scores)
        labels[u] = new_label
    # 检查是否收敛
    if labels unchanged:
        break

这里有个细节：已标记节点在迭代中要不要更新？我的习惯是不更新。把它们当做“锚点”，永远不能改变。一旦你让锚点动了，整个传播就会跑偏。

迭代要素	说明	我的建议
初始化	已标记节点固定标签，未标记节点随机或统一	统一设置为-1，避免干扰
同步更新	所有节点同时用上一轮邻居结果更新	保证传播方向一致
收敛判断	本轮标签变化量小于阈值或达到最大轮次	阈值设为0，因为离散标签变化就是1

为什么迭代会收敛？因为图结构固定，每次更新都是“减少局部能量”，最终会稳定在一个局部最优解。说白了，就是所有节点都找到了一个“舒服”的标签。

来，我们看一张流程图，把整个逻辑串起来。

这张图已经把算法的血肉榨干了。你看，输入是图结构和少数标注，输出是全量标签。中间的无非就是初始化、迭代更新、收敛判断。说得难听点，哪怕你只懂一点点图论，也能跑通一个简化版。

不过，真正应用到数据治理中，我们要考虑的事情远不止这些。比如：图建多大？权重怎么调？遇到标签震荡怎么办？这些坑，我后面会一点点填。