一种标签感知游走增强的类别不平衡动态图节点分类方法

本发明涉及图神经网络、动态图节点分类，尤其涉及一种面向类别不平衡时序动态图的节点分类方法，可应用于金融交易、社交网络、企业内网安全等场景下的非法/异常节点识别任务。

背景技术：

1、随着数字金融、社交网络、企业内网安全等领域的快速发展，交易、互动、认证等行为均可建模为时序动态图结构，图神经网络（gnn）凭借结构与特征联合建模能力，已成为节点分类、异常检测任务的核心技术手段。但真实场景中，异常/非法节点占比低形成的类别不平衡，叠加高质量标注样本稀缺的双重约束，会弱化监督学习有效信号，导致模型难以充分学习复杂演化的异常模式，限制了现有方法的实际应用性能。

2、中国发明专利cn119204096a，提出了基于稀疏与远邻节点增强的图表示学习方法，通过特征增强、节点混合技术提升稀疏节点与远邻节点的信息聚合能力，缓解了传统gnn在稀疏场景下的性能短板，但该方法针对静态图结构设计，未考虑网络连续时间动态演化特性，无法捕捉时序耦合的异常模式，在动态图场景中泛化能力不足。

3、中国发明专利cn120145231a，提出一种基于图对比学习增强策略的类别不平衡节点分类方法，通过图对比学习识别关键节点，以类内特征混合生成新节点的方式增强少数类表示，结合个性化pagerank算法优化拓扑结构建模，提升了不平衡场景下的分类性能；但该方法未针对动态图的时序依赖设计专属采样与传播机制，无法实现异常信号的时序长程扩散，同时未充分利用标签分布信息优化采样策略，在类别不平衡的动态场景中，少数类异常节点的召回率仍存在短板。

技术实现思路

1、本发明的目的在于提供一种标签感知游走增强的类别不平衡动态图节点分类方法，从采样、表征、传播三个层面进行协同设计，系统性解决时序动态图中异常模式难采样、难表征、难传播的核心问题。

2、为解决上述技术问题，本发明采用如下技术方案：

3、如图1所示，本发明的动态图节点分类方法包含四个核心步骤：标签感知的时空游走采样、语义增强的匿名编码表征、时序能量传播长程建模、节点分类预测与模型训练。

4、标签感知的时空游走采样：针对连续时间动态图，构建标签分布感知的时空游走采样策略，融合时序约束、拓扑特征与标签分布信息优化节点采样权重，生成符合时序因果性的时序游走路径集合。具体实施中，先定义连续时间动态图与满足时序倒序约束的时空游走路径，再通过重采样乘数与标签偏好强度设置标签感知权重，差异化提升带标签节点、尤其是少数类异常节点的采样优先级，最终融合时序邻近度、节点度中心性与标签偏好计算采样转移概率，完成时序游走采样。

5、语义增强匿名编码表征：基于时序游走路径构建语义增强匿名编码模块，完成节点匿名化处理并融合多维度特征编码，提取时空依赖特征后生成节点初始嵌入。具体实施中，先以相对位置索引替换节点原始身份完成路径匿名化，同时引入可学习标签嵌入注入类别语义信息，生成匿名化路径表示；再基于 bochner 定理构建时序编码函数，适配不规则时间间隔的交互事件，构建实体 - 时间特征矩阵；最终通过多头注意力机制完成邻域信息聚合，经池化与前馈神经网络变换得到节点初始嵌入。

6、时序能量传播长程建模：构建带自监督正则化的时序能量传播层，以节点初始嵌入为输入，通过多约束能量函数迭代优化，实现长程信息扩散并生成最终节点表征。具体实施中，构建融合特征一致性、图平滑性与自监督对比约束的能量函数，以鲁棒惩罚函数抑制异常信号稀释，以自监督对比损失避免表征过平滑；再采用近端梯度更新对能量函数进行迭代优化，保证迭代收敛性，经多层传播后输出最终节点表征。

7、节点分类预测与模型训练：将最终节点表征输入分类器完成图节点的分类预测。具体实施中，将最终节点表征输入全连接层，经 sigmoid 激活函数输出分类概率，设定阈值完成合法 / 非法交易节点的二分类预测；模型训练采用 adamw 优化器，基于验证集 f1分数执行早停，以召回率为核心指标评估非法节点识别性能。

8、综上所述，与现有技术相比，本发明具有如下有益效果：本发明通过标签感知时空游走采样策略，在保证时序因果性的基础上提升了少数类异常节点的采样覆盖度；语义增强匿名编码模块既降低了模型对特定节点身份的依赖、提升了泛化能力，又通过多维度编码融合强化了异常模式的语义表征能力；带自监督正则化的时序能量传播层，实现了异常信号的长程扩散，可有效捕捉多跳、长时序的异常关联，同时避免了传统消息传递的过平滑问题，保证了迭代收敛性；本发明针对类别不平衡、标签稀疏的双重约束完成全链路协同设计，在类别不平衡场景下仍保持较好的检测性能与鲁棒性。

1.一种标签感知游走增强的类别不平衡动态图节点分类方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的标签感知游走增强的类别不平衡动态图节点分类方法，其特征在于，s1中，标签分布感知的时空游走采样策略包括以下操作：

3.根据权利要求1所述的标签感知游走增强的类别不平衡动态图节点分类方法，其特征在于，s2中，语义增强匿名编码模块包括以下操作：

4.根据权利要求1所述的标签感知游走增强的类别不平衡动态图节点分类方法，其特征在于，s3中，时序能量传播层包括以下操作：

5.根据权利要求1所述的标签感知游走增强的类别不平衡动态图节点分类方法，其特征在于，s4中，包括以下操作：