一键总结音视频内容
Attention is All you Need
摘要
本视频介绍了传统图机器学习中的节点特征工程方法，聚焦于如何从图结构（非属性特征）中提取节点的连接特征。核心内容包括节点重要度（如节点度、特征向量中心性、介数中心性、接近中心性）和节点局部结构特征（如聚集系数、图元GDV）。通过银行风控、地铁网络等案例，阐释了如何将节点结构信息编码为低维向量，输入机器学习模型解决节点分类等任务，并强调了特征工程对模型性能的关键作用。
亮点
- 📊 节点度（Node Degree）：直接统计节点连接数，反映连接数量但忽略质量（如地铁站换乘线路数）。
- 👑 特征向量中心性（Eigenvector Centrality）：衡量节点重要性，其值取决于邻居节点的重要性（递归求解邻接矩阵特征向量）。
- 🚦 介数中心性（Betweenness Centrality）：识别交通枢纽节点，计算节点位于其他节点对最短路径上的比例（如湖北“九省通衢”地位）。
- 🏙️ 接近中心性（Closeness Centrality）：评估节点到其他节点的平均最短距离，值越高说明位置越中心（如上海内环地铁站）。
- 🧩 图元向量（Graphlet Degree Vector, GDV）：通过预定义子图模式（如三角形、四节点子图）统计局部拓扑结构，生成高维特征向量描述节点角色。