4.1 节点级结案：给嫌疑人定性

4.1 节点级结案：给嫌疑人定性

本节摘要：节点级任务输出每个节点的定性（分类）、定量（回归）或分组（聚类）结论。本节覆盖半监督训练的掩码机制、类别不平衡的处置、无标签图聚类的双路线，并在引文网络上完成从数据到评估的完整闭环，回答"为什么极少量标签能带动全图表示"这个半监督核心问题。

风控工位上的日常

风控工位的日常画面是这样的：账号关系网铺满整面屏幕，红色标签零星闪烁——那是已被人工确认的黑产账号，其余全部无标注。工单要求给全网账号输出风险等级。这就是节点级分类的标准现场：图是全量可见的，标签是极度稀缺的，任务是为每个节点给出结论。承接第三章的装备与第二章的表示，本节把"节点定性"的完整流程走通：先讲清半监督训练为何在图上格外有效，再处理类别不平衡与无标签两类变体，最后完整训练并审视决策边界。节点回归（预测连续值，如路段流量）与节点聚类（无标签分团）共用同一套表示底座，差异只在损失函数。

半监督定性：掩码与消息传递的合谋

图上半监督训练的形式出奇简单：模型对全图做前向，但损失只计算带标签节点——训练掩码是唯一的开关。它之所以有效，秘密在消息传递的"标签扩散"效应：带标签节点作为强信号源，其表示经层层聚合渗入邻居、邻居的邻居；反向传播时，梯度同样沿边回传，无标注节点的表示被间接塑形。这等价于让结构先验（同社区的节点倾向同类）参与学习，而无需显式的标签传播算法。类别不平衡是这个现场的常规状态——黑产账号占比可能只有百分之一的量级——若不处置，模型会把全部账号判为正常也能拿到很高的准确率。处置手段按代价排序：损失加权（少数类样本的梯度乘以更大系数）最轻；焦点损失把权重动态集中在难样本上；过采样少数类节点或图结构的重加权更重；评估侧则必须放弃裸准确率，改用受试者曲线下面积、召回率与精确率的调和均值等抗不平衡指标（第七章系统盘点）。

import torch
import torch.nn.functional as F
from torch_geometric.datasets import Planetoid
from torch_geometric.nn import GCNConv

data = Planetoid(root="/tmp/Cora", name="Cora")[0]

class Net(torch.nn.Module):
    def __init__(self):
        super().__init__()
        self.c1 = GCNConv(data.num_features, 16)
        self.c2 = GCNConv(16, data.num_classes)
    def forward(self):
        return self.c2(self.c1(data.x, data.edge_index).relu(), data.edge_index)

model, opt = Net(), torch.optim.Adam(model.parameters(), lr=0.01, weight_decay=5e-4)
for epoch in range(200):
    opt.zero_grad()
    # 半监督核心：前向用全图，损失只用训练掩码内的节点
    loss = F.cross_entropy(model()[data.train_mask], data.y[data.train_mask])
    loss.backward(); opt.step()

out = model()
for name, mask in [("train", data.train_mask), ("val", data.val_mask), ("test", data.test_mask)]:
    acc = (out.argmax(1)[mask] == data.y[mask]).float().mean()
    print(f"{name} acc: {acc:.4f}")
# 训练掩码内只有每类极少样本，测试精度却能到八成以上——
# 结构先验通过消息传递把稀缺标签"扩散"成了全图知识
​

这段训练值得盯住的就是那一行掩码索引：前向传播吃的是整张图（结构与全部特征），监督信号只有掩码内的涓涓细流。对比表格数据的分类器（没有结构可用，同样标签量下精度会惨不忍睹），半监督红利完全来自"边把同类节点织在一起"这个先验。

类别不平衡的加权实战

把损失加权落到代码上，并验证评估指标的变化。

# 模拟不平衡：把训练掩码里的多数类保留、少数类大量丢弃
import torch
y = data.y.clone()
train_idx = data.train_mask.nonzero().flatten()

# 假设类别 0 为多数类，构造不平衡版本
keep = [i for i in train_idx.tolist() if y[i] == 0 or torch.rand(1) < 0.15]
imbal_mask = torch.zeros_like(data.train_mask); imbal_mask[keep] = True

# 类别权重：与类频成反比
counts = torch.bincount(y[imbal_mask], minlength=data.num_classes).float()
weights = counts.sum() / (counts + 1e-6) / data.num_classes

opt = torch.optim.Adam(model.parameters(), lr=0.01, weight_decay=5e-4)
for epoch in range(100):
    opt.zero_grad()
    loss = F.cross_entropy(model()[imbal_mask], y[imbal_mask], weight=weights)  # 加权损失
    loss.backward(); opt.step()

from sklearn.metrics import f1_score
pred = model().argmax(1)[data.test_mask].numpy()
true = y[data.test_mask].numpy()
print("宏平均 F1（抗不平衡指标）:", round(f1_score(true, pred, average="macro"), 4))
# 对比不加权版本：多数类吸走梯度，宏平均 F1 明显偏低——加权把话语权还给少数类
​

无标签定性：图聚类的两条路线

标签完全没有时，节点定性退化为图聚类。路线一是"先嵌入再聚类"：用图神经网络的自监督训练（第六章的对比学习方法）产出节点表示，再跑常规聚类算法——灵活通用，是当前主流。路线二是"图结构直接聚类"：谱聚类把拉普拉斯特征向量当嵌入用（第二章的谱域知识再就业），或用模块度优化类方法直接在图上找社区——无需特征、可解释，适合纯结构网络。两条路线的共同评估难题是没有标签可对照，常用模块度、轮廓系数或人工抽检做代理指标。业务上"团伙发现"多为聚类任务：没人知道有几个团伙、谁属于哪个团伙，聚类结果本身就是要交付的情报。

# 路线一演示：谱嵌入 + KMeans（sklearn 风格伪代码，逻辑完整可跑）
import numpy as np
from sklearn.cluster import KMeans

# 用第二章的拉普拉斯特征向量作为嵌入（取最小的几个非零特征值对应向量）
from torch_geometric.utils import to_dense_adj, degree
A = to_dense_adj(data.edge_index)[0].numpy()
L = np.diag(degree(data.edge_index[0]).numpy()) - A
vals, vecs = np.linalg.eigh(L)
emb = vecs[:, 1:17]                              # 跳过平凡的第一维

labels = KMeans(n_clusters=7, n_init=10).fit_predict(emb)
from sklearn.metrics import adjusted_rand_score
print("聚类与真实标签的兰德指数:", round(adjusted_rand_score(data.y.numpy(), labels), 4))
# 无任何标签参与，仅凭谱结构就能恢复大半社区划分——结构证据的独立价值
​

本节要点

• 半监督机制：掩码控制监督范围，消息传递把标签信号沿结构扩散，稀疏标签撬动全图表示。
• 不平衡处置：损失加权、焦点损失、重采样三档代价递增；评估必须换抗不平衡指标。
• 无标签路线：自监督嵌入加聚类是主流，谱聚类与模块度优化是纯结构备选。
• 三任务一体：分类、回归、聚类共用表示底座，只换损失函数与输出头。

个体定性之外，业务里更常见的问题是"这两账号之间会不会发生关系"。下一节处理边级结案：关系线索的预测与评估。