3. 图数据表示与构建
在金融图社区发现任务中，图数据表示与构建是决定后续分析上限的关键环节。无论使用 Neo4j、NetworkX 还是 PyTorch Geometric，图数据最终都要落到三种基础表示：邻接矩阵、边列表和属性图。理解它们的差异，才能把金融业务语义无损地映射为可计算结构。
核心原理：三种图表示的语义与代价
邻接矩阵用 N×N 矩阵描述节点间连接，A[i][j]=1 表示存在边，权重可表示持股比例、交易金额或关联强度。它适合稠密图与矩阵运算，但金融图通常稀疏，直接存储会带来大量零值浪费。边列表以 (源节点, 目标节点, 属性) 三元组记录关系，天然适配稀疏图与流式抽取，是数据清洗阶段最常用的中间格式。属性图在节点和边上附加键值对，例如节点带“行业、市值、注册地”，边带“关系类型、置信度、时间戳”，是金融知识图谱的标准形态。
方法流程：金融实体与关系抽取到图构建
金融图构建通常遵循“抽取—清洗—对齐—建图—校验”五步流程。以下是一个可复用的处理链路：
- 实体抽取：从公告、财报、新闻中识别公司、股东、高管、基金、行业等实体，可用规则模板结合 NER 模型。
- 关系抽取：识别“持股、任职、担保、交易、供应链”等关系，并记录方向与强度。
- 数据清洗：统一实体名称、去除重复边、处理缺失值与异常权重。
- 实体对齐：将“某银行”“XX银行股份有限公司”归并为同一节点。
- 图构建：输出边列表并转换为属性图或邻接矩阵。
下面是一个边列表清洗与建图的简化示例：
import pandas as pd
import networkx as nx
edges = pd.read_csv("financial_edges.csv")
# 字段：src, dst, rel_type, weight, date
# 1. 去除自环与重复边
edges = edges[edges["src"] != edges["dst"]]
edges = edges.drop_duplicates(subset=["src", "dst", "rel_type"])
# 2. 权重归一化到 0-1
edges["weight"] = edges["weight"].clip(0, 1)
# 3. 构建属性图
G = nx.from_pandas_edgelist(
edges, source="src", target="dst",
edge_attr=["rel_type", "weight", "date"],
create_using=nx.DiGraph()
)
# 4. 导出邻接矩阵
adj = nx.to_numpy_array(G, weight="weight")
print("节点数:", G.number_of_nodes(), "边数:", G.number_of_edges())
案例场景：股权关联网络构建
假设我们要构建一个上市公司股权关联图。节点为公司，边为“持股”关系，权重为持股比例。原始数据来自工商信息与公告，存在名称不一致、重复披露、比例缺失等问题。清洗后，将持股比例低于 5% 的弱关系过滤，保留强关联边，再转换为属性图。这样得到的图既保留了业务语义，又控制了规模，便于后续社区发现。
| 表示形式 | 适用阶段 | 优点 | 局限 |
|---|---|---|---|
| 邻接矩阵 | 算法计算 | 矩阵运算高效 | 稀疏图存储浪费 |
| 边列表 | 抽取与清洗 | 灵活、易增量更新 | 查询效率低 |
| 属性图 | 存储与查询 | 语义丰富、可扩展 | 需图数据库支持 |
误区与复盘
常见误区一：直接对原始边列表做社区发现。未清洗的重复边和自环会放大局部密度，导致社区划分失真。务必先去重、去自环、过滤弱关系。
常见误区二：忽略方向与权重语义。持股关系是有向的，A 持股 B 不等于 B 持股 A；若直接转为无向图，会丢失控制链方向。权重也应区分金额、比例与置信度。
常见误区三：实体对齐不彻底。同一公司在不同数据源中名称不同，若未归并，图中会出现多个孤立节点，社区结构被割裂。
复盘建议：建图后先做三项检查——节点数是否与业务实体数匹配、边方向是否符合业务语义、权重分布是否合理。可用 G.number_of_nodes()、G.number_of_edges() 和权重直方图快速验证。只有图结构可信，后续社区发现才有意义。
掌握三种表示形式的转换与清洗流程，是金融图分析的基本功。实际项目中，建议以边列表为中间层，以属性图为存储层，以邻接矩阵为计算层，形成清晰的数据流水线。