第4章：常见图谱特征——度数、聚类系数、PageRank 等
图谱特征是什么？说白了，就是把社交网络、交易网络里那些“谁连接谁”的原始关系，提炼成能喂给模型的数值。我最早做反欺诈时，以为只要把节点和边扔进模型就能自动学出规律。后来才发现，没有这些手工特征打底，模型学到的全是噪声。
这一章我们聊聊三个最常用的图谱特征：度数、聚类系数、PageRank。它们是反欺诈变量衍生里的“基础三件套”。理解了它们，你就能看懂大部分图谱风控方案。
一句话总结：这三者分别刻画了节点“有多活跃”、“周围有多抱团”、“有多重要”。
4.1 度数：节点有多“忙”
度数是最简单也是最直观的特征。一个节点的度数，就是它有多少条边连着。在反欺诈场景里，它能直接反映一个实体的“活动量”。
举个例子。你去看一个电商交易图，每个用户就是一个节点，每笔交易就是一条边。如果一个用户在一小时内跟100个完全不同的商家交易，他的度数就很高。正常人会这么干吗？不会。我当时在一个支付反欺诈项目里，发现某个设备ID的度数异常高——它一天内连接了300多个银行卡号。果断拉黑，命中率超过80%。
造特征小技巧：度数可以按时间段（近1小时、近24小时、近7天）分别计算，并做 Z-score 归一化。这样能有效捕捉短期爆发式增长。
但注意了，度数高不一定就是坏人。有些真实的高价值用户（比如黄牛、批发商）度数也高，需要结合其他特征过滤。我个人习惯把度数拆成入度和出度，比如转账给别人的出度 vs. 收到转账的入度。很多欺诈模式是“只出不进”或“只进不出”，一对比就现形。
| 指标 | 计算公式 | 反欺诈含义 |
|---|---|---|
| 节点度数 | \(deg(v) = |N(v)|\) | 与多少邻居直接相连 |
| 入度 | 指向该节点的边数 | 收到多少转账/关注 |
| 出度 | 该节点指向外的边数 | 主动发起了多少行为 |
4.2 聚类系数：这个小圈子抱团吗？
聚类系数衡量的是“你的朋友之间有多大可能也是朋友”。一个完全抱团的小团体，聚类系数接近1；一个孤立的节点，聚类系数为0。
反欺诈里最经典的应用就是识别“羊毛党团伙”。你想想看，真实用户的社交网络是错综复杂的，朋友之间不一定相互认识。但刷单团伙为了养号，往往会相互关注、相互转账，形成一个高度抱团的簇。这时候聚类系数就会很高。
坑点提示：聚类系数对孤立节点（度数=0或1）会直接赋值为1，因为公式分母为零。我遇到过有人直接用默认值，结果把孤立点当成“完美小团体”……千万别犯这个错。处理方式：对度<2的节点，聚类系数直接设为NaN或-1。
还有一种场景：虚假用户邀请。比如某公司拉新活动，一个用户邀请了大量新用户，但这个用户本身的邻居之间并没有相互连接——聚类系数很低。正常情况下的邀请关系应该是树状，聚类系数趋近于0。如果有人恶意构造环状邀约结构，聚类系数就会显著偏高。这是个很灵的欺诈信号。
4.3 PageRank 及其他中心性指标
PageRank 是最早由谷歌提出来衡量网页重要性的算法，后来被反欺诈领域“拿来主义”——用它找网络里的“关键人物”。
原理很简单：一个节点如果被很多重要节点连接，那它自己也很重要。在资金网络里，PageRank 高的节点往往是资金的中转站或汇缴账户。我曾经在一个洗钱案件里，把PageRank排名前1%的节点全部标记出来，后续人工核实的准确率超过90%。
除了PageRank，还有几个中心性指标可以配合使用：
- 介数中心性（Betweenness Centrality）： 节点出现在多少最短路径上。常用于识别“桥梁”节点——资金过路站。
- 接近中心性（Closeness Centrality）： 节点到其他所有节点的平均距离。能快速找到整个网络的“中心”。
- 特征向量中心性（Eigenvector Centrality）： 类似PageRank但更强调邻居的全局质量。
推荐组合：「度数 + 聚类系数 + 介数中心性」是反欺诈变量衍生的“铁三角”。度数抓活跃度，聚类系数抓抱团，介数抓中转角色。三者一起用，基本覆盖80%的异常模式。
# 示例：用 NetworkX 计算三种特征
import networkx as nx
G = nx.Graph()
G.add_edges_from([ (1,2), (1,3), (2,3), (3,4) ])
degree = dict(G.degree())
clustering = nx.clustering(G)
pagerank = nx.pagerank(G)
print("度数:", degree)
print("聚类系数:", clustering)
print("PageRank:", pagerank)
4.4 避坑指南：我踩过的那些坑
这些特征看着简单，真正落地时全是细节。我整理了几个最常见的坑，希望能帮你少走弯路。
- 特征的时间窗口没对齐。 比如度数统计的是全量历史，聚类系数却只用了近7天的子图，两者量纲不同。我建议 统一时间窗口，或者用滚动窗口做多个版本。
- 忽略了图的连通性。 当你计算PageRank时，如果图有多个连通分量，每个分量内PageRank总和是1，但分量之间无法比较。解决办法：给每个连通分量单独归一化，或者添加一个全局虚拟节点连接所有分量。
- “一阶特征”的陷阱。 度数、聚类系数这些只是节点的一阶属性。你需要在它们之上再衍生二阶交叉特征，比如“度数 × 聚类系数”、“度数/介数”等。我见过有人只用了原始度数做模型，AUC死活上不去，一加交叉特征立刻提升3个点。
- 数值分布偏态严重。 度数的分布通常满足幂律——大部分节点度数低，少数节点极高。直接喂给线性模型会出问题。我习惯用 分箱 或者 对数变换 处理。注意分箱时机：先做特征衍生，再做分箱，不能颠倒。
曾经我犯的一个低级错误：在计算PageRank时用了无向图，但实际场景是转账方向。结果重要节点全算反了。记住：有向图一定要用有向版本，否则方向信息丢得一干二净。
好了，这章内容不算多，但每个知识点都够琢磨一阵子。图谱特征衍生的核心就三个字：算、比、验。算出来，对比不同窗口，验证业务逻辑。剩下的就是工程上的细节优化了。