VIP20
本课程属于：002-反欺诈图谱变量衍生与分箱 金融科技风控与量化工程 · 共 20 门相关课程，组合学习更完整。
查看所属VIP全部课程 →
← 返回所属目录 咨询 / 购买

GraphSAGE节点特征衍生与分箱详解

共计 30 章节
点击此处阅读海量试读课程：100+行业、1000+细分领域
01
图神经网络与GraphSAGE概述
图神经网络发展简史 · GraphSAGE的定位与贡献 · 归纳式学习 vs 直推式学习
GraphSAGE图神经网络
02
GraphSAGE核心原理
采样(Sample)与聚合(Aggr… · 前向传播流程 · 模型训练目标
GraphSAGE核心原理
03
邻居采样策略详解
固定大小采样 · 重要性采样 · 分层采样
邻居采样策略详解固定大小采样
04
聚合函数深度解析
Mean聚合 · Pooling聚合(MAX/MEAN… · LSTM聚合
聚合函数深度解析Mean
05
GraphSAGE损失函数与训练
无监督损失(负采样) · 有监督损失(交叉熵) · Mini-batch训练
GraphSAGE损失函数
06
节点特征工程导论
节点特征 vs 图结构特征 · 特征工程在GNN中的重要性 · 端到端学习与特征工程的互补
节点特征工程导论vs
07
节点原始特征构建
属性特征提取 · 文本特征嵌入 · 数值特征标准化
节点原始特征构建属性特征提取
08
图结构特征提取
节点度(Degree) · 介数中心性(Betweenness) · 接近中心性(Closeness)
图结构特征提取Degree
09
社区结构特征
社区发现算法(Louvain/LPA… · 节点所属社区 · 社区内角色
社区结构特征Louvain/LPA
10
节点相似度特征
Jaccard相似度 · Adamic-Adar指数 · Resource Allocatio…
节点相似度特征Jaccard
11
特征衍生基础方法论
特征衍生的本质 · 组合爆炸与维度控制 · 特征衍生三原则(可解释/可计算/可泛…
特征衍生基础方法…特征衍生的本质
12
基于图游走的特征衍生
Random Walk路径特征 · Node2Vec游走特征 · 二阶邻居统计特征
基于图游走的特征…Random
13
基于子图模式的特征衍生
Motif计数 · Graphlet特征 · 星型/三角/团结构特征
基于子图模式的特…Motif
14
节点属性交叉衍生
属性对组合特征 · 属性与结构交叉 · 属性比值与差值特征
节点属性交叉衍生属性对组合特征
15
时间演化图中的特征衍生
时间窗口统计特征 · 趋势特征(一阶差分/二阶差分) · 周期性特征
时间演化图特征衍生
16
异构图中的特征衍生
元路径(Meta-path)特征 · 元图(Meta-graph)特征 · 异构邻居聚合特征
异构图特征衍生
17
特征分箱技术概述
分箱的目的(离散化/鲁棒性/可解释性… · 分箱类型(无监督/有监督) · WOE与IV概念
特征分箱技术概述分箱的目的
18
等距分箱与等频分箱
等距分箱原理与实现 · 等频分箱原理与实现 · 边界处理
等距分箱等频分箱
19
基于熵的分箱
熵与信息增益 · 递归熵分箱算法 · 熵分箱 vs 其他方法
基于熵的分箱信息增益
20
卡方分箱与最优分箱
卡方检验原理 · 自底向上合并分箱 · 最优分箱(OptBinning)算法
卡方分箱最优分箱
21
分箱效果评估指标
IV值(Information Va… · KS统计量 · PSI(Population Sta…
分箱效果评估指标IV
22
GraphSAGE中的特征融合策略
特征拼接(Concat) · 特征加权求和 · 门控融合(Gate Fusion)
GraphSAGE特征融合策略
23
特征选择与重要性排序
基于Gini importance · Permutation import… · SHAP值
特征选择重要性排序
24
特征降维与去冗余
PCA降维 · AutoEncoder特征压缩 · 特征聚类去冗余
特征降维去冗余
25
GraphSAGE超参数对特征的影响
邻居采样数K的影响 · 聚合函数选择 · 嵌入维度
GraphSAGE超参数对特征的影…
26
大规模图中的特征工程优化
特征存储与索引 · 分布式特征计算 · 特征在线服务
大规模图特征工程优化
27
实战
电商推荐系统中的节点特征衍生与分箱—… · 商品属性特征 · 社交关系特征
电商推荐系统节点特征衍生
28
实战
社交网络节点分类任务——用户画像特征 · 内容传播特征 · 社区归属特征
社交网络节点分类…用户画像特征
29
实战
风控与欺诈检测中的特征工程——交易图… · 设备指纹特征 · 时间序列特征
风控欺诈检测
30
GraphSAGE特征工程总结与前沿展望
当前方法局限性 · 自监督特征学习 · 大语言模型与图特征融合
GraphSAGE特征工程总结