图特征工程与模型融合实战

📚 共计 30 章节

图论基础回顾

图的定义、类型（有向/无向/加权）、邻接矩阵与邻接表存储

图特征工程概述

为什么需要图特征、与传统特征区别、核心挑战

节点中心性特征

度中心性、介数中心性、接近中心性、特征向量中心性

中心性节点

节点相似性特征

共同邻居、Jaccard系数、Adamic-Adar、资源分配指数

相似度链路

图结构特征

聚类系数、三角形计数、K-core分解、图密度

Motif计数、Graphlet度分布、频繁子图挖掘

图嵌入基础

DeepWalk原理与实现、Node2Vec原理与实现

嵌入表示学习

图嵌入进阶

LINE算法、SDNE算法、struc2vec算法

图神经网络基础

GCN原理、GAT原理、GraphSAGE原理

GNN深度学习

图特征自动提取

AutoGraph特征学习、特征选择方法

自动化特征工程

图特征降维

PCA、t-SNE、UMAP在图特征上的应用

降维可视化

图特征归一化与标准化

Min-Max归一化、Z-score标准化、RobustScaler

预处理缩放

图特征组合与交叉

特征交叉策略、多项式特征、基于业务的特征组合

时间动态图特征

时间窗口特征、滑动窗口统计、时序图嵌入

异构图特征工程

元路径特征、异构节点特征融合、异构边特征

异构图元路径

大规模图特征工程

分布式特征计算、采样策略、特征存储优化

大规模分布式

模型融合基础

Bagging、Boosting、Stacking原理对比

基于图特征的Bagging模型

随机森林在图数据上的应用

Bagging随机森林

基于图特征的Boosting模型

XGBoost、LightGBM、CatBoost在图特征上调优

Stacking模型融合

元学习器设计、层级特征构建、交叉验证策略

Stacking元学习

Blending模型融合

Holdout策略、加权平均、线性融合

图神经网络与树模型融合

GNN特征+GBDT的混合架构

多视图图特征融合

多模态图特征、注意力融合机制、门控融合

多视图注意力

图特征与文本特征融合

节点文本属性编码、图-文本联合嵌入

文本多模态

图特征与序列特征融合

图结构+时间序列的混合模型

模型融合中的特征重要性分析

SHAP值、Permutation Importance、Gain Importance

可解释性重要性

模型融合的过拟合控制

早停策略、正则化、特征剪枝

过拟合正则化

模型融合的超参数优化

网格搜索、贝叶斯优化、遗传算法

超参数优化

实战案例（一）：社交网络节点分类

图特征工程与模型融合在社交网络中的应用

实战节点分类

实战案例（二）：推荐系统中的图特征融合

推荐场景下图特征与模型融合的完整流程

实战推荐系统