📚 课程目录第4章时序图神经网络核心

4. 时序图神经网络核心

在交易团伙识别任务中，静态图模型只能刻画账户之间“是否曾经转账”的关系，却无法回答“什么时候转、以什么节奏转、关系是否已经失效”。时序图神经网络（Temporal Graph Neural Network, TGNN）正是为解决这类动态关系建模问题而设计的。本章围绕四个核心构件展开：动态图表示、时序图卷积、时序图注意力，以及RNN与GNN的融合方法。

一、动态图表示：把时间写进图结构里

动态图表示的目标，是让每个节点、每条边都携带时间语义。常见做法有三类：

离散快照图：按固定窗口（如1小时、1天）切分交易流水，每个窗口生成一张静态图。优点是兼容现有GNN，缺点是窗口边界会割裂真实事件。
连续时间事件图：把每笔交易视为带时间戳的事件边 (u, v, t, amount, type)，节点特征随时间演化。它更贴近交易流水的真实形态。
时间增强邻接：在邻接矩阵中引入时间衰减权重，例如 w = exp(-λ·(t_now - t_edge))，使久远关系自动弱化。

在团伙识别中，连续时间事件图通常更合适，因为团伙往往通过“短时间高频互转”形成资金闭环，时间间隔本身就是强特征。

动态图表示的关键不是“加一个时间戳”，而是让消息传递、聚合和更新都感知时间顺序。否则模型仍会把三天前的转账和刚刚发生的转账同等对待。

二、时序图卷积：在时间轴上传播消息

时序图卷积（Temporal Graph Convolution）在经典GCN基础上引入时间维度。其核心流程可概括为：

对每个节点，按时间窗口采样其邻居事件；
对邻居特征做时间加权聚合；
将聚合结果与节点自身历史状态融合；
输出当前时刻的节点表示，用于下游分类或异常评分。

一个简化的时间加权聚合公式可写为：

h_v^(t) = σ( W · [ h_v^(t-1) , Σ_{u∈N(v,t)} α(u,t) · h_u^(t) ] )
α(u,t) = softmax( exp(-λ·(t - t_uv)) · sim(h_v, h_u) )

其中 λ 控制时间衰减速度，sim 表示节点相似度。这样，近期且行为相似的邻居会获得更高权重，符合“团伙成员近期频繁互动”的业务直觉。

三、时序图注意力：让模型自己决定看谁

时序图注意力（Temporal Graph Attention）进一步把“时间权重”和“邻居重要性”交给注意力机制学习。与普通GAT不同，它同时考虑：

内容注意力：当前节点与邻居的特征相似度；
时间注意力：事件发生时间与当前时刻的距离；
结构注意力：邻居在历史子图中的角色（如中介、汇聚点）。

在团伙识别中，时间注意力尤其重要。例如，某账户在凌晨2点向多个新账户小额转账，虽然金额不大，但时间集中、对象陌生，注意力分数会显著升高，从而被模型捕捉为可疑模式。

方法	时间建模方式	优点	局限
快照GCN	离散窗口	实现简单，易并行	窗口边界割裂事件
时间加权GCN	指数衰减	连续、可解释	衰减系数需调参
时序图注意力	注意力学习	自适应强，精度高	计算开销较大
RNN+GNN	序列状态更新	擅长长程依赖	训练不稳定，易遗忘

四、RNN与GNN融合：兼顾空间与时间依赖

GNN擅长聚合空间邻居信息，RNN擅长建模时间序列。两者融合的典型架构是“GNN编码 + RNN演化”：

for t in range(T):
    # 1. 当前时刻图卷积
    h_graph = GNN(x[t], edge_index[t], edge_time[t])
    # 2. 与历史状态融合
    h_state, _ = GRU(h_graph, h_state)
    # 3. 输出当前节点表示
    z[t] = MLP(h_state)

这种结构在交易团伙识别中非常实用：GNN负责发现“谁和谁有关联”，GRU负责判断“这种关联是否在持续、是否在加速”。例如，一个账户过去三个月只有零星交易，最近一周突然与多个高风险账户形成密集环路，RNN会捕捉到状态突变，GNN会捕捉到环路结构，两者结合即可输出高团伙风险分。

实战建议：在融合时，优先使用GRU而非LSTM，因为交易序列通常不会特别长，GRU参数更少、训练更稳；同时可对GNN输出做LayerNorm，缓解不同时间步分布漂移。

五、案例与复盘：一次团伙识别的完整链路

假设我们要识别一个“分散转入、集中转出”的团伙。数据为某支付平台7天流水，节点为账户，边为转账事件。

动态图构建：按小时切分，生成168个快照，每个快照保留边的时间戳和金额。
时序图卷积：对每个账户聚合近6小时邻居，时间衰减系数设为0.1。
时序图注意力：加入时间注意力头，捕捉凌晨集中转账模式。
RNN融合：用GRU沿168个时间步更新账户状态。
输出：对每个账户打分，阈值以上进入人工审核。

复盘时常见误区有三点：

误区一：只做静态图。团伙关系是动态形成的，静态图会把已失效关系当成当前关系。
误区二：时间衰减系数拍脑袋。λ过大导致模型只看最近几分钟，λ过小则退化为静态图，应通过验证集搜索。
误区三：忽略负采样偏差。交易图中正常交易远多于可疑交易，训练时需按时间做负采样，避免模型学到“时间越近越可疑”的伪规律。

时序图模型上线后必须监控“时间漂移”：团伙作案手法会变化，昨天有效的注意力模式今天可能失效。建议每周用最近数据做一次增量微调，并保留人工审核反馈闭环。

掌握动态图表示、时序图卷积、时序图注意力和RNN-GNN融合这四块，就具备了构建交易团伙识别时序模型的核心能力。下一步的关键，是把这些组件落到真实流水上，用业务指标而非单纯AUC来衡量效果。