1. 课程导论：图谱阈值漂移的定义、PSI监控的重要性、课程目标与适用人群
1.1 图谱阈值漂移的定义
在图谱算法与数据监控领域，图谱阈值漂移（Graph Threshold Drift）是指知识图谱或关系图谱在构建、推理或查询过程中，用于判定节点关联强度、路径有效性或实体匹配度的决策边界（即阈值）随时间或数据分布变化而发生系统性偏移的现象。这种漂移通常表现为：
- 静态阈值失效：原本设定的固定阈值（如相似度≥0.7判定为关联）在数据分布变化后，导致大量误判或漏判。
- 分布形态改变：图谱中节点特征或边权重的统计分布（均值、方差、偏度）发生迁移，使得原有阈值不再处于最优分位点。
- 业务语义脱节：图谱阈值与真实业务场景的“关联强度”或“置信度”之间的映射关系发生扭曲。
核心公式： 图谱阈值漂移量通常用 PSI（Population Stability Index，群体稳定性指标）量化，其计算公式为：
PSI = Σ (P_i - Q_i) * ln(P_i / Q_i)P_i 为基准期第 i 个分箱的样本占比，Q_i 为监控期对应分箱的样本占比。PSI 值越大，表明阈值分布漂移越严重。
1.2 PSI监控的重要性
在图谱生产环境中，阈值漂移若不及时发现，会引发连锁反应：图谱质量下降、下游推理错误、业务决策偏差。PSI监控作为量化漂移的核心手段，其重要性体现在以下三个层面：
| 监控层面 | 漂移后果 | PSI监控价值 |
|---|---|---|
| 图谱构建 | 实体链接准确率下降，错误关联增多 | 实时发现阈值失效，触发重训练或阈值自适应调整 |
| 图谱推理 | 路径评分失真，推荐/风控结果偏离预期 | 量化推理置信度的稳定性，辅助人工审核决策 |
| 业务应用 | 风控模型过时，营销策略误判 | 提供漂移预警，保障业务连续性与合规性 |
行业经验： 在金融风控图谱中，PSI超过0.25即视为严重漂移，需立即暂停模型并启动阈值重校准。在推荐图谱中，PSI超过0.1即应触发预警巡查。
1.3 课程目标与适用人群
本课程旨在帮助数据监控与图谱算法从业者建立一套完整的图谱阈值漂移巡查体系，核心目标包括：
- 理解漂移机理：掌握图谱阈值漂移的数学定义、成因分类与影响传导路径。
- 掌握PSI计算：熟练运用PSI指标对图谱阈值分布进行分箱计算、趋势分析与阈值设定。
- 构建监控看板：设计并实现基于PSI的实时/离线监控看板，支持多维度下钻与告警。
- 制定巡查策略：根据业务场景制定阈值漂移的巡查频率、响应流程与自适应调整策略。
适用人群：
- 数据监控工程师、图谱算法工程师、机器学习运维（MLOps）工程师
- 风控、推荐、搜索等业务场景中的图谱应用开发者
- 对模型稳定性与数据质量有严格要求的架构师与技术管理者
1.4 图谱阈值漂移与PSI监控关系图
1.5 课程内容概览
本课程共分为30章，从基础概念到高级实战，逐步构建完整的图谱阈值漂移巡查能力。下表展示了核心章节模块与对应知识点：
| 模块 | 章节范围 | 核心知识点 |
|---|---|---|
| 基础理论 | 第1-5章 | 漂移定义、PSI数学原理、图谱阈值类型、分布分箱方法 |
| 监控体系设计 | 第6-12章 | 监控指标选型、看板设计、告警阈值设定、多维度下钻 |
| 算法与工程实现 | 第13-20章 | PSI计算引擎、实时流处理、离线批处理、自适应阈值算法 |
| 实战案例 | 第21-26章 | 金融风控图谱、推荐图谱、知识图谱、社交图谱等场景 |
| 运维与治理 | 第27-30章 | 巡查流程规范、漂移根因分析、模型回滚与重训练策略 |
学习建议： 建议学员在开始本课程前，具备基础的统计学知识（如分布、分位数）和图谱算法概念（如节点相似度、路径权重）。每章均配有代码示例与数据集，请确保本地环境已配置Python 3.8+及常见数据科学库。