3. 特征工程概述：从知识图谱到特征向量的映射逻辑与常见特征类型

在金融风控、反欺诈与智能投研场景中，知识图谱存储的是实体与关系的结构化语义网络，而机器学习模型只能处理数值型向量。特征工程的核心任务就是将图结构中的节点、边、路径与子图模式，无损或近似地映射为稠密或稀疏的特征向量，同时保持业务语义的可解释性。

3.1 映射逻辑：从图结构到特征空间的三层抽象

从知识图谱到特征向量的映射并非简单的“拉平”，而是遵循三层递进抽象逻辑：

1. 节点层（Entity Level）：将每个实体（如企业、个人、账户）的属性字段直接编码为特征。例如：注册资本（数值）、成立年限（数值）、行业分类（One-Hot / Embedding）。
2. 关系层（Relation Level）：将实体之间的直接连接关系转化为邻接特征。例如：一度关联担保人数量、对外投资企业数、共同联系人密度。
3. 子图层（Subgraph Level）：提取局部拓扑结构，如2跳路径模式、三角环、社区归属度、PageRank 中心性等。这是金融知识图谱特征最具区分度的来源。

3.2 常见特征类型与金融场景对照

下表归纳了金融知识图谱中最常用的特征类型、计算方式及典型应用场景：

特征大类	子类型	计算方式简述	金融场景示例
节点属性特征	数值型、类别型、文本型	直接提取属性字段，缺失值填充或分箱	企业注册资本、法人年龄、行业代码
邻接统计特征	一度邻居数、邻居类型分布	聚合邻居节点的度、类型计数	对外担保企业数、关联自然人数量
路径特征	最短路径长度、路径模式	广度优先搜索（BFS）或元路径计数	企业到“高风险黑名单”的最短路径
图中心性特征	PageRank、Betweenness、Closeness	全局或局部图算法	识别资金网络中的核心节点
社区特征	社区归属、模块度、桥接节点	Louvain / Label Propagation 算法	发现疑似团伙欺诈的密集子图
图嵌入特征	Node2Vec、TransE、GCN 向量	无监督或半监督图神经网络训练	企业相似度计算、异常检测
时序图特征	边频次变化、节点活跃度	时间窗口内边的新增/消失统计	短期密集开户、资金快进快出

3.3 从图谱到向量的标准流水线

在实际工程中，特征映射通常遵循以下流水线步骤：

1. 图查询：通过 Cypher / Gremlin / SPARQL 提取目标子图。
2. 属性编码：数值归一化（Z-Score / Min-Max），类别 One-Hot / Label Encoding。
3. 结构特征计算：调用图算法库（如 NetworkX、Spark GraphX）计算度、中心性、社区。
4. 路径枚举：限定最大深度（通常 2~3 跳），枚举所有元路径并聚合。
5. 特征拼接：将上述特征按样本 ID 对齐，形成宽表。
6. 降维与筛选：使用 PCA / 特征重要性排序，剔除冗余特征。

3.4 映射逻辑与特征类型关系图

下图展示了从知识图谱原始结构到最终特征向量的完整映射链路，以及各环节对应的特征类型：

3.5 特征类型选择决策树

在实际项目中，面对不同的金融业务目标，特征类型的选择可参考以下决策逻辑：

• 反欺诈（团伙识别）：优先使用社区特征 + 图嵌入向量，捕捉隐蔽的关联模式。
• 信用评分（个体评估）：以节点属性特征 + 邻接统计特征为主，辅以路径特征。
• 风险传导（担保链/资金链）：重点提取路径特征 + 图中心性特征，刻画风险扩散路径。
• 异常检测（洗钱/套现）：结合时序图特征 + 子图层结构特征，发现偏离正常模式的子图。

3.6 特征向量质量评估指标

特征工程完成后，需从以下维度评估特征向量的质量：

评估维度	指标	合格标准
完整性	缺失率	单特征缺失率 < 20%
区分度	IV 值（Information Value）	IV > 0.02 为有效特征
稳定性	PSI（Population Stability Index）	PSI < 0.1 表示稳定
相关性	Pearson / Spearman 相关系数	特征间相关系数 < 0.8
业务可解释性	特征含义是否可被业务人员理解	至少能追溯到原始图结构

以上评估结果将直接输入到后续的“特征巡检”环节，作为特征是否上线或回滚的判断依据。