实体特征概述：什么是实体特征、特征类型

好，咱们开始第4章。

前面几章我们搭好了环境，理清了数据源。现在要面对一个核心问题：一个药物实体，凭什么能被机器学习模型理解？你想想看，模型不认识“阿司匹林”这个字符串，它只看数字。我们得把药物实体“翻译”成模型能消化的形式。这个过程，就是提取实体特征。

4.1 到底什么是实体特征

我个人的理解很简单：实体特征就是描述一个实体的可量化、可比较的数字化标签。

举个例子。在药物知识图谱里，一个“阿司匹林”节点，它有结构式、有分子量、有靶点关系。这些信息原本是文本、是化学式、是图结构。我们通过某种方法，把它们变成一组向量或者一组离散编码。这就是特征。

我在做“药物重定位”项目时，发现一个很坑的事：很多同学直接把实体的ID扔进模型，或者只用一种特征。结果模型根本不收敛。为什么？因为特征太单薄了。你想想看，一个药物实体，它既有内在属性（分子量、LogP），又有外部关系（作用于什么靶点、被哪些疾病关联）。只用一种特征，等于只看到了大象的一条腿。

4.2 特征类型的三大支柱

按我个人做项目的习惯，我把实体特征分为三大类。不是随便分的，是跟药企的同事一起踩过坑后总结的。三类特征必须同时考虑，缺一不可。

特征类型	核心逻辑	典型例子	我踩过的坑
结构特征	实体自身的内部结构表达	分子指纹、SMILES编码、原子序列	直接拼接会导致维度过高
属性特征	实体的静态属性描述	分子量、LogP、pKa、给药途径	空值和中位数填充会误导模型
关系特征	实体与其他实体的关联模式	邻居节点类型、路径模式、图嵌入	关系类型过多时需降维

4.2.1 结构特征：去理解分子本身

结构特征看的是实体内部。对于药物分子，我们常看到SMILES表达式：

CCO   # 乙醇的SMILES
CC(=O)OC1=CC=CC=C1C(=O)O   # 阿司匹林的SMILES

但这只是文本。模型不认识。所以我们要把SMILES转成数字指纹。常用的有摩根指纹（Morgan Fingerprint），也叫ECFP。原理很简单：把分子切成一个个圆形子结构，然后编码成固定长度的位向量。

嗯，这里要注意：结构特征是“what it is”。不管你用MACCS指纹、ECFP4还是图神经网络的原生原子特征，核心就是描述分子长什么样。

4.2.2 属性特征：看静态参数

属性特征是那些能直接查到的标量或类别值。比如：

{
  "分子量": 180.16,
  "LogP": 1.19,
  "可旋转键数": 3,
  "氢键供体": 1,
  "氢键受体": 3
}

这些值通常直接来自PubChem或ChEMBL。我建议你先把缺失值标记为-1或特殊token，不要随便填充均值。我在一次“药物-靶点相互作用预测”竞赛中，就因为对LogP的缺失值填充了中位数，导致模型学到了错误的分布。后来改用“是否缺失”作为独立特征，AUC提升了3%。

4.2.3 关系特征：躲在图谱里的秘密

这部分是知识图谱特有的。关系特征不只看实体本身，还看它在图里的位置和邻居。

比如一个药物实体“阿司匹林”，它关联了靶点“环氧合酶1”，还关联了疾病“疼痛”。这些邻居节点不是乱连的。它们隐含了药物的功能、副作用、治疗方案等信息。

我常用的关系特征提取方法：

• 邻居计数器：统计每种关系的邻居数量。
• 路径模式提取：抽取从药物到疾病的最短路径类型。
• 图嵌入：用TransE、RDF2Vec等方法把节点变成向量。

我在某项目中，用一个简单的“邻居类型直方图”作为关系特征，就把单属性模型的F1从0.72提到了0.81。关系特征的能量，超出你的想象。

4.3 一个完整案例：阿司匹林的特征提取

我给你一个我实际用过的特征提取配置，方便你后面实战时参考：

# 结构特征：ECFP4，1024位
# 属性特征：分子量、LogP、氢键供体、氢键受体、可旋转键数
# 关系特征：邻居角色分布、一阶邻居嵌入均值

# 特征拼接
# 结构: 1024维 (密集向量)
# 属性: 5维 (标准化后)
# 关系: 128维 (图嵌入)
# 总特征维度: 1024 + 5 + 128 = 1157 维

你看，一个简单的实体，特征维度就上千了。但是别紧张。大部分维度是稀疏的。后面我们会讲特征降维和选择策略。

4.4 知识体系总览

为了让你们有一个整体画面，我画了一张图。它展示了这三种特征之间的关系，以及在知识图谱中的位置。

这张图告诉我们：三种特征不是互相排斥的，而是互补的。结构特征回答“分子长什么样”，属性特征回答“化学物理参数是多少”，关系特征回答“它在图里跟谁有联系”。三者合并，才能给模型一个完整的“药物画像”。

4.5 聊聊我对特征选择的看法

我不建议你一开始就把所有特征堆进去。我当时做第一个药物相似度项目，把能拿到的特征全塞进去，维度直接上万。模型训练慢不说，还学偏了。后来我学乖了，先做特征重要性排序，选出TOP50，效果反而更好。

给你一个我常用的特征筛选流程：

1. 先构建基础特征集：结构+属性+关系，每种至少一个。
2. 用随机森林或LightGBM跑一次特征重要性。
3. 保留累计重要性达到90%的特征，其余的砍掉。
4. 检查特征之间的相关性，对高度相关的特征做聚合或删除。

这个流程我用了很多年，靠谱。当然，如果你用深度学习，也可以让模型自己学特征重要性，比如Attention机制。但基础的特征工程，始终是地基。