特征工程概述：节点特征的重要性
做图神经网络这几年，我越来越觉得一个道理：模型结构决定上限，特征质量决定下限。
你想想看，GraphSAGE 也好，GCN 也罢，它们的核心都是在做一件事——聚合邻居信息。但如果你的节点特征本身就很拉胯，邻居再怎么聚合，也变不出花来。我在项目中遇到过一个典型的例子：某电商的推荐场景，大家疯狂调模型层数、改聚合函数，效果死活上不去。最后我一查，用户特征全是些稀疏得不能再稀疏的 ID 向量。说白了，你给模型吃的是沙拉，却指望它长出牛排？
节点特征到底长什么样？
在图数据里，每个节点都附带一组属性。比如社交网络中的用户：年龄、性别、注册天数、发帖数量。这些数值就是原始节点特征。我把它们分成三大类：
| 特征类型 | 常见例子 | 典型问题 |
|---|---|---|
| 连续型 | 年龄、收入、点击次数、停留时长 | 量纲差异大，可能存在长尾分布 |
| 离散型 | 性别、学历、设备类型、城市编码 | 取值过多时容易过拟合 |
| 文本/类别嵌入 | 用户昵称、商品标题的向量化表示 | 维度高、含义模糊 |
嗯，这里要注意：GraphSAGE 的输入层直接吃的是原始浮点向量，所以任何特征最终都要转成数值。我们的分箱调优，核心就是处理上面表格里的第一行——连续型特征。
特征质量对模型的影响有多大？
我做过一组对比实验，印象很深。同一个 GraphSAGE 模型，用相同的超参数，只改特征预处理方式：
- 不做任何处理：训练 loss 震荡剧烈，验证集 AUC 在 0.65 左右
- 标准归一化：loss 收敛了，AUC 涨到 0.72
- 简单等宽分箱（5箱）：AUC 升到 0.75
- 基于业务理解的分箱：AUC 直接干到 0.79
差别在哪？分箱实际上是在帮模型做「特征的非线性映射」。连续值进模型，模型只能学到线性关系。但现实中的用户行为，哪有那么简单？
我曾经在一个金融风控项目里犯过傻。用户「近30天借款次数」这个特征，值域 0～30。我上来就直接归一化扔进模型。结果模型学到的规律是「借款次数越多，违约概率越高」。但实际业务逻辑是：借款 1～3 次的是正常用户，4～8 次的是高风险，大于 15 次的反而是刷单分子。这是一个明显的非线性关系，归一化完全无法表达。后来分了箱，AUC 从 0.71 直接提到 0.83。
特征工程的基本流程
我个人习惯把节点特征工程拆成四个步骤：
- 特征收集与清洗：去掉异常值、补全缺失值
- 特征探索与理解：画分布图、算统计量、理解业务含义
- 特征变换与编码：分箱、归一化、对数变换、类别编码
- 特征验证：用小模型快速验证特征有效性
你看，分箱调优是第 3 步的核心环节。而且它不像归一化那样「无脑可用」，分箱的箱数、边界、编码方式全都要根据特征分布和业务场景来定。这就是我们这门课要深入的东西。
从特征到 GraphSAGE 的完整链路
下面这张图展示了特征从原始值到模型输入的完整路径，以及分箱在其中扮演的角色：
你看，从原始数据到 GraphSAGE 输入层，中间有一个明确的关键节点——分箱调优。它不是锦上添花，而是实实在在决定模型能不能学到有效模式的核心环节。
小结一下这章的核心
- 节点特征的质量决定了 GraphSAGE 的天花板
- 连续型特征是分箱调优的主要对象
- 分箱的本质是帮模型捕捉非线性关系
- 特征工程有固定流程，分箱是其中最有技巧性的一环
一句话记住本章：别急着调模型，先看看你的节点特征值不值钱。特征好了，模型自然会好。