📚 课程目录第3章图数据表示

3. 图数据表示

在欺诈检测任务中，图神经网络能否发挥作用，首先取决于我们是否把业务对象和它们之间的关系正确地表达成图。图数据表示不是简单的数据格式转换，而是把“谁和谁有关、关系有多强、每个对象有什么属性、哪些对象已知是欺诈”这些业务语义，映射为节点、边、特征、标签和邻接矩阵。只有表示正确，后续的消息传递、节点分类和阈值优化才有意义。

核心原理：图由什么构成

一张图通常记为 G = (V, E)。其中 V 是节点集合，E 是边集合。在欺诈场景中，节点可以表示用户、商户、设备、银行卡、IP 地址或订单；边可以表示转账、登录、共享设备、同收货地址等关系。每个节点还可以带一个特征向量 x_i，每个节点还可能有一个标签 y_i，例如 0 表示正常，1 表示欺诈。

邻接矩阵 A 是图结构的数值化表达。对于无向图，若节点 i 与 j 之间有边，则 A[i][j] = A[j][i] = 1，否则为 0。对于带权图，矩阵元素可以表示交易金额、频次或相似度。节点特征矩阵 X 的第 i 行对应节点 i 的特征，标签向量 y 则只对部分节点已知，这正是半监督节点分类的典型设定。

图神经网络的核心假设是：相邻节点往往具有相似属性或风险倾向。欺诈者会通过共享设备、密集转账、团伙作案形成局部稠密结构，因此图结构本身就是强特征。

方法流程：从原始数据到可训练图

构建图数据通常遵循以下流程：

确定节点类型：明确预测目标是谁。若预测用户是否欺诈，则用户是主节点；设备、IP 可作为辅助节点或特征来源。
定义边关系：根据业务规则建立边，例如“用户 A 向用户 B 转账”“用户与设备在同一时间登录”。边可以是有向、无向、带权或带时间戳。
抽取节点特征：包括数值特征、类别特征、统计特征和图结构特征，如注册时长、交易金额均值、入度、出度、PageRank 等。
标注标签：将已确认的欺诈样本标为 1，正常样本标为 0，未标注样本保留为未知，用于半监督学习。
构建邻接矩阵与特征矩阵：将边列表转为稀疏邻接矩阵，将特征表转为 X，并保证节点索引一致。
划分数据集：按时间或随机方式划分训练、验证、测试节点，避免标签泄漏。

下面是一个使用 PyTorch Geometric 构建图数据的简化示例：

import torch
from torch_geometric.data import Data

# 边列表：每一列是一条边 (source, target)
edge_index = torch.tensor([
    [0, 1, 1, 2, 3, 4],
    [1, 0, 2, 1, 4, 3]
], dtype=torch.long)

# 节点特征：5 个节点，每个节点 3 维特征
x = torch.tensor([
    [0.2, 1.0, 0.0],
    [0.9, 0.1, 1.0],
    [0.4, 0.7, 0.2],
    [0.1, 0.3, 0.8],
    [0.8, 0.6, 0.5]
], dtype=torch.float)

# 标签：-1 表示未知，0 正常，1 欺诈
y = torch.tensor([0, 1, -1, 0, 1], dtype=torch.long)

# 训练/验证/测试掩码
train_mask = torch.tensor([True, True, False, False, False])
val_mask   = torch.tensor([False, False, True, False, False])
test_mask  = torch.tensor([False, False, False, True, True])

data = Data(x=x, edge_index=edge_index, y=y,
            train_mask=train_mask,
            val_mask=val_mask,
            test_mask=test_mask)

print(data)

运行后可以看到 Data 对象中包含节点数、边数、特征维度等信息。实际工程中，边列表往往来自 Hive 表或图数据库，特征来自特征平台，标签来自风控案件库，最终通过 ETL 统一到节点 ID 空间。

案例/场景：交易欺诈图构建

假设我们要预测用户是否参与欺诈交易。可以构建一张异构图：用户节点、设备节点、IP 节点、商户节点。用户与用户之间有转账边，用户与设备之间有登录边，用户与商户之间有消费边。主节点是用户，标签是是否欺诈。设备节点和 IP 节点没有标签，但可以通过消息传递把风险信号传给用户。

图元素	业务含义	数据示例	注意事项
节点	用户、设备、商户、IP	user_id=1001	需统一 ID 映射，避免冲突
边	转账、登录、消费	1001 -> 2003	区分方向、权重和时间
特征	注册时长、交易频次、设备数	[0.2, 1.0, 0.0]	训练与推理特征口径一致
标签	是否欺诈	1 / 0 / 未知	未知不能当负样本
邻接矩阵	节点连接关系	A[i][j]=1	大规模图用稀疏存储

误区与复盘

把未知标签当负样本：未标注节点可能只是尚未被发现欺诈，直接标 0 会引入噪声，应使用掩码或半监督策略。
节点索引与特征行不对齐：边列表中的 ID 必须映射为连续整数索引，否则消息会传到错误节点。
忽略时间泄漏：用未来交易构建的边预测过去节点，会导致离线指标虚高，应按时间切分图。
边定义过粗：所有关系都建成同一种边，会稀释风险信号，应区分关系类型或使用异构图。
邻接矩阵过密：全连接或高频关系会导致计算爆炸，需要采样、截断或加权。

构建图数据时，建议先输出一份“节点-边-特征-标签”对照清单，再写代码。图结构一旦确定，后续模型结构和阈值优化都围绕它展开。

欺诈检测中，图数据往往极度不平衡且标签稀疏。不要只关注节点分类准确率，还要关注欺诈类召回率、误报成本和阈值可解释性。

总结来说，图数据表示是把业务关系转化为可计算结构的第一步。节点定义预测对象，边定义信息传播路径，特征提供个体描述，标签提供监督信号，邻接矩阵承载结构信息。只有这些元素在索引、时间、语义上保持一致，图神经网络才能稳定地学习欺诈模式，并为后续阈值优化提供可靠基础。