企业官网建设流程全解析

简介：本资源是一个面向高校学生与AI初学者的高分课程设计项目，聚焦于电商评论场景下的虚假信息识别问题，基于Yelp公开数据集，采用半监督学习范式构建高效、低标注依赖的检测模型。资源包共14个文件，含9张可视化图表（如混淆矩阵、分布直方图、箱线图等，用于模型评估与数据洞察）、1个核心训练脚本main.py、1个Shell部署脚本、1个CSV格式标注数据集、1份README.md说明文档及1张项目架构示意图，整体压缩包仅7.16MB，轻量易部署。已有249人下载学习，适合作为期末大作业或课程设计参考——代码全程中文注释，涵盖数据预处理、特征工程、半监督训练（如自训练或一致性正则化策略）、多模型对比（随机森林、朴素贝叶斯）及结果可视化全流程，结构清晰、模块解耦，新手可快速理解并复现完整技术链路。

1. 项目概述：当虚假评论遇上半监督学习

在电商、本地生活服务乃至内容社区，用户评论是驱动消费决策的核心要素。然而，一个长期存在的顽疾是虚假评论。它们可能是商家为了提升声誉的“刷好评”，也可能是竞争对手恶意抹黑的“刷差评”。这些虚假信息不仅扭曲了市场的真实反馈，损害了消费者权益，也严重破坏了平台的公信力。传统的检测方法，比如基于规则（如短时间内大量相似评论）或简单的有监督学习，往往力不从心。规则容易被规避，而有监督学习需要海量、高质量且标注准确的“虚假”与“真实”评论数据——这在现实中获取成本极高，因为标注本身就需要专家投入大量精力去甄别。

这正是“基于半监督学习的虚假评论检测”项目的价值所在。它瞄准了现实世界数据标注的痛点：我们有海量的未标注评论数据，但只有少量经过确认的标签。半监督学习的核心思想，就是利用这一小部分有标签数据作为“种子”，去引导模型从庞大的无标签数据中挖掘出潜在的模式和结构，从而实现对未标注数据的有效分类。简单来说，就是让模型学会“举一反三”，用有限的已知信息去探索未知的广阔领域。

本项目以著名的Yelp数据集为战场，提供了一个完整的、可复现的解决方案。Yelp数据集包含了大量商家、用户和评论信息，是研究虚假评论检测的经典基准。通过这个项目，你不仅能获得一个可以直接运行、效果不俗的源码，更能深入理解半监督学习（特别是图神经网络、标签传播等经典算法）是如何在真实业务场景中落地的。无论你是正在寻找人工智能大作业课题的学生，还是希望将前沿算法应用于实际业务的数据科学家或算法工程师，这个项目都是一个极佳的起点和参考。

2. 核心思路与技术选型解析

2.1 为什么是半监督学习？

在虚假评论检测场景下，数据标注的困境是选择半监督学习的根本原因。设想一下，平台有上亿条评论，但可能只有几千条被安全团队确凿地标记为“虚假”。用这几千条去训练一个监督模型，无异于让一个只见过几种动物的孩子去辨认整个动物园，泛化能力必然受限。半监督学习提供了破局思路：它假设“相似的数据点应该有相似的标签”。在评论数据中，这个“相似性”可以体现在多个维度，例如：

• 用户行为相似性：两个用户如果总是在相同的时间段、给相似的商家群发布极端评价（全是五星或一星），他们可能属于同一类群体（正常用户或水军）。
• 文本内容相似性：虚假评论的文本往往模板化、情感极端、缺乏细节。通过文本嵌入（如BERT、Word2Vec）计算出的向量相似度，可以捕捉这种模式。
• 关系网络相似性：用户、评论、商家之间天然构成一个异构图。例如，一个用户给多个商家写评论，一个商家收到多个用户的评论。图结构能很好地捕捉这种复杂的关联信息。

基于这些相似性假设，半监督算法可以将少量已知标签，沿着数据点之间的“相似性路径”传播出去，从而为大量无标签数据赋予“伪标签”，最终训练出一个更强大的分类器。

2.2 主流技术路线对比与选型

针对虚假评论检测，尤其是结合图结构信息，主要有以下几种技术路线：

1. 基于特征的监督模型：手工构造特征（如评论长度、评分极端性、用户历史行为统计等），输入到逻辑回归、随机森林或XGBoost等模型。这种方法可解释性强，但特征工程依赖专家经验，且难以捕捉深层次的复杂模式和非线性关系。
2. 深度学习文本分类模型：使用LSTM、CNN或Transformer（如BERT）直接对评论文本进行编码和分类。这种方法能自动学习文本特征，但对用户-商家关系等图结构信息利用不足。
3. 图神经网络模型：将用户、评论、商家建模为图中的节点，将他们之间的交互（如“用户-发布-评论”、“评论-属于-商家”）建模为边。然后使用图神经网络（如GCN、GraphSAGE）进行节点分类。这是目前最前沿且效果最好的方法之一，因为它能同时利用文本内容和网络结构信息。
4. 半监督学习框架：这更像是一个方法论，可以基于上述模型实现。例如，在GCN的基础上，采用“自训练”或“标签传播”等半监督策略。

本项目的合理技术选型推断：结合“半监督学习”和“Yelp数据集”这两个关键词，一个高分项目极有可能采用“图神经网络 + 半监督学习框架”的组合。具体来说，可能是：

• 基础架构：使用PyTorch Geometric (PyG) 或 Deep Graph Library (DGL) 来构建和处理Yelp数据构成的异构图。
• 核心模型：采用异构图神经网络（如RGCN, HAN）或更先进的模型，来学习用户节点和评论节点的表征。
• 半监督策略：采用“自训练”算法。即先用少量有标签数据训练一个初始模型，然后用这个模型对无标签数据预测，选取高置信度的预测结果作为“伪标签”，加入训练集，迭代训练。或者采用“标签传播”算法，直接在图上基于节点相似性传播标签。

选择这个组合的原因在于其强大的表征能力和对现实数据困境的针对性。它既利用了深度学习自动学习特征的优势，又通过图结构建模了至关重要的关系信息，最后用半监督学习解决了标注数据稀缺的核心痛点。

2.3 Yelp数据集预处理关键点

拿到原始的Yelp数据集（通常是一个巨大的JSON文件），直接丢给模型是行不通的。预处理是决定项目成败的第一步，也是最繁琐的一步。

1. 数据读取与解析：Yelp数据集通常包含business.json,review.json,user.json。我们需要用pandas或直接使用json库高效地读取这些文件。一个常见的技巧是，如果数据量太大，可以先用pandas的nrows参数读取一部分进行开发调试。
2. 构建关系图：这是核心。我们需要定义图的节点和边。
   • 节点类型：至少应有用户、评论、商家三类节点。有些研究还会加入词语作为节点。
   • 边类型：用户-发布->评论、评论-属于->商家。如果引入了词语节点，还会有评论-包含->词语。
   • 节点特征：
     • 用户节点：特征可以来自user.json，如粉丝数、评论总数、平均评分、注册年限等，也可以是基于其历史评论聚合的统计特征。
     • 评论节点：这是检测的直接对象。特征首先是评论文本的嵌入向量（如通过预训练的BERT-base模型获取句向量）。这里有一个重要技巧：直接使用BERT的[CLS]token的向量作为评论的初始特征，是一个强大且通用的起点。此外，还可以加入元特征，如评论长度、评分值、是否包含图片等。
     • 商家节点：特征可以来自business.json，如品类、城市、星级等。
3. 标签准备：Yelp官方并不提供“虚假评论”的标签。因此，研究中通常采用两种方式获取“ground truth”：
   • 利用Yelp的内部过滤标识：Yelp的评论数据中有一个useful、funny、cool的投票系统，以及一个filtered字段（虽然公开数据集中可能不包含）。有些研究将那些被Yelp算法过滤掉的评论视为“虚假”负样本。注意：这种方法存在噪音，因为过滤原因多种多样。
   • 人工标注或使用公开的基准数据集：学术界有一些基于Yelp数据、经过人工标注的小规模虚假评论数据集（如Yelp Spam Review Dataset）。高分项目很可能会使用或参考这类数据集来构建有标签部分。
4. 数据集划分：严格按照半监督学习的设定划分数据集。
   • 训练集：包含少量有标签节点（例如，每个类别几十到几百个）和大量无标签节点。
   • 验证集和测试集：均为有标签节点，用于调整超参数和最终评估。务必确保训练集的无标签节点与验证/测试集节点在图上没有直接连接（或通过采样隔离），以避免数据泄露。

实操心得：图构建的代码非常容易出错且难以调试。建议在构建完图后，立即检查一些基本统计信息：节点数量、边数量、节点特征维度、标签分布是否均衡。可以用print(graph)或print(num_nodes, num_edges)来快速验证。另外，文本特征提取（BERT编码）可能非常耗时，建议将提取好的特征向量保存为.pt或.npy文件，避免每次运行都重复计算。

3. 模型构建与核心代码拆解

3.1 异构图神经网络模型设计

假设我们构建了一个包含用户、评论、商家三类节点的异构图。一个简单而有效的模型可以是基于关系图卷积网络（R-GCN）的变体。

import torch import torch.nn as nn import torch.nn.functional as F from torch_geometric.nn import RGCNConv class HeteroRGCN(nn.Module): def __init__(self, in_channels_dict, hidden_channels, out_channels, num_relations): super().__init__() # 第一层RGCN卷积：处理不同类型的节点和关系 self.conv1 = RGCNConv(in_channels_dict, hidden_channels, num_relations=num_relations) # 第二层RGCN卷积 self.conv2 = RGCNConv(hidden_channels, hidden_channels, num_relations=num_relations) # 针对评论节点的分类器（因为我们最终是要检测评论） self.review_classifier = nn.Linear(hidden_channels, out_channels) def forward(self, x_dict, edge_index_dict, edge_type): # x_dict: 字典，键为节点类型，值为节点特征矩阵 # edge_index_dict: 字典，键为关系类型，值为边索引 # edge_type: 边类型张量（RGCNConv所需格式，需要将edge_index_dict转换） # 第一层卷积与激活 x_dict = self.conv1(x_dict, edge_index_dict, edge_type) x_dict = {key: F.relu(x) for key, x in x_dict.items()} # 第二层卷积 x_dict = self.conv2(x_dict, edge_index_dict, edge_type) # 我们只关心评论节点的输出 review_x = x_dict['review'] return self.review_classifier(review_x)

代码解析：

1. in_channels_dict: 一个字典，指定每种节点类型的输入特征维度。例如{'user': 64, 'review': 768, 'business': 32}，其中评论的768维很可能来自BERT。
2. num_relations: 图中关系类型的总数。例如，用户->评论、评论->商家就是两种关系。
3. 模型通过两层RGCN卷积，让信息在用户、评论、商家之间传递。一个评论节点的最终表征，聚合了其作者（用户）的信息、所属商家（商家）的信息，以及可能的多跳邻居信息。
4. 最终，我们只对review类型的节点应用分类器，输出每个评论是“虚假”或“真实”的logits。

3.2 自训练半监督学习框架实现

有了一个图神经网络分类器，我们就可以实现自训练（Self-training）循环。这是半监督学习的核心。

def self_training(model, data, labeled_idx, unlabeled_idx, optimizer, criterion, num_epochs_per_round=100, confidence_threshold=0.9, expansion_size=500): """ model: 图神经网络模型 data: 包含所有节点和边的图数据 labeled_idx: 当前有标签评论节点的索引 unlabeled_idx: 当前无标签评论节点的索引 optimizer: 优化器 criterion: 损失函数（如CrossEntropyLoss） num_epochs_per_round: 每轮训练模型的epoch数 confidence_threshold: 选择高置信度预测的阈值 expansion_size: 每轮最多新增的伪标签数量 """ all_results = [] current_labeled_idx = labeled_idx.clone() current_unlabeled_idx = unlabeled_idx.clone() for round in range(10): # 进行多轮自训练 print(f"\n=== Self-Training Round {round} ===") # **步骤1: 用当前有标签数据训练模型** model.train() for epoch in range(num_epochs_per_round): optimizer.zero_grad() out = model(data.x_dict, data.edge_index_dict, data.edge_type) # 只计算有标签部分的损失 loss = criterion(out[current_labeled_idx], data.y[current_labeled_idx]) loss.backward() optimizer.step() # ... 可以在这里打印训练损失和精度 # **步骤2: 用训练好的模型预测无标签数据** model.eval() with torch.no_grad(): out = model(data.x_dict, data.edge_index_dict, data.edge_type) prob = F.softmax(out[current_unlabeled_idx], dim=-1) confidence, pseudo_labels = torch.max(prob, dim=-1) # **步骤3: 选择高置信度的预测作为伪标签** high_conf_mask = confidence > confidence_threshold selected_indices = current_unlabeled_idx[high_conf_mask] selected_pseudo_labels = pseudo_labels[high_conf_mask] # 控制每轮新增的伪标签数量，避免引入太多噪声 if len(selected_indices) > expansion_size: # 选择置信度最高的前 expansion_size 个 top_conf, top_idx = torch.topk(confidence[high_conf_mask], expansion_size) selected_indices = selected_indices[top_idx] selected_pseudo_labels = selected_pseudo_labels[top_idx] if len(selected_indices) == 0: print("No high-confidence predictions found. Stopping self-training.") break # **步骤4: 将伪标签数据加入训练集** data.y[selected_indices] = selected_pseudo_labels # 注意：这里修改了原始数据的y，实践中最好使用副本 current_labeled_idx = torch.cat([current_labeled_idx, selected_indices]) current_unlabeled_idx = torch.tensor([i for i in current_unlabeled_idx if i not in selected_indices]) print(f"Added {len(selected_indices)} pseudo-labeled samples. Total labeled: {len(current_labeled_idx)}") # 在验证集上评估当前模型性能 # ... 评估代码 # all_results.append(val_accuracy) return model, all_results

流程解析与关键点：

1. 初始化：从一小部分有标签数据开始。
2. 训练：用当前的有标签数据训练模型。
3. 预测：用训练好的模型对所有无标签数据做预测，得到预测概率和类别。
4. 筛选：只保留那些模型“非常确信”（置信度高于confidence_threshold，如0.9）的预测结果。这些被视为高质量的“伪标签”。
5. 扩充：将这些高置信度的预测样本及其伪标签，加入到有标签训练集中。
6. 迭代：回到第2步，用扩增后的训练集重新训练模型，如此循环。

注意事项：自训练的核心风险是“确认偏差”。如果模型在早期产生了错误但高置信度的预测，这些错误伪标签会污染训练集，导致模型在后续迭代中性能下降甚至崩溃。因此，设置较高的置信度阈值和控制每轮新增伪标签的数量是两个至关重要的技巧。此外，在验证集上密切监控性能，一旦发现性能下降，应停止迭代或回退。

3.3 损失函数与优化策略

对于分类任务，损失函数通常选择交叉熵损失。但在这个场景下，有几点可以优化：

# 基础损失 criterion = nn.CrossEntropyLoss() # 技巧1：类别权重平衡 # 虚假评论通常是少数类，需要赋予更高的权重，防止模型偏向多数类（真实评论） class_counts = torch.bincount(data.y[labeled_idx]) # 计算有标签数据中各类别的数量 class_weights = 1.0 / class_counts.float() class_weights = class_weights / class_weights.sum() # 归一化 criterion = nn.CrossEntropyLoss(weight=class_weights) # 技巧2：一致性正则化（Consistency Regularization） # 这是更先进的半监督学习技巧，如Π-Model或Mean Teacher。 # 核心思想：对同一个无标签数据施加不同的噪声（如Dropout、随机增强），模型应该给出相似的预测。 # 这可以迫使模型学习更鲁棒的特征，而不仅仅拟合有标签数据。 # 实现起来相对复杂，需要在forward中为无标签数据前向传播两次，并计算两个输出之间的均方误差作为无监督损失。

优化器通常选择Adam或AdamW，学习率初始值可以设为1e-3或3e-4，并配合学习率调度器（如ReduceLROnPlateau），当验证集损失不再下降时自动降低学习率。

4. 项目实战：从环境搭建到模型训练

4.1 开发环境配置与依赖安装

一个可复现的环境是项目的第一步。强烈建议使用Conda或venv创建独立的Python环境。

# 1. 创建并激活Conda环境 conda create -n yelp_fake_review python=3.9 conda activate yelp_fake_review # 2. 安装PyTorch (请根据你的CUDA版本访问PyTorch官网获取对应命令) # 例如，对于CUDA 11.8 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 # 3. 安装图神经网络库，这里以PyG为例 pip install torch-scatter torch-sparse torch-cluster torch-spline-conv -f https://data.pyg.org/whl/torch-2.0.0+cu118.html pip install torch-geometric # 4. 安装其他必要库 pip install pandas numpy scikit-learn tqdm transformers

关键点说明：torch-scatter、torch-sparse等是PyG的依赖，它们的安装必须与已安装的PyTorch版本和CUDA版本严格匹配。直接从PyG官网提供的链接安装是最稳妥的方式。

4.2 数据下载与预处理流水线

假设你已经从Yelp官网或Kaggle下载了数据集（yelp_dataset.tar.gz），并有一个小型的标注文件labeled_reviews.csv（包含review_id和is_fake标签）。

import pandas as pd import torch from transformers import AutoTokenizer, AutoModel from torch_geometric.data import HeteroData import numpy as np def load_and_process_data(review_path, business_path, user_path, label_path): # 1. 加载数据 print("Loading data...") df_review = pd.read_json(review_path, lines=True, nrows=100000) # 先加载一部分 df_business = pd.read_json(business_path, lines=True) df_user = pd.read_json(user_path, lines=True) df_label = pd.read_csv(label_path) # review_id, is_fake # 2. 数据清洗与过滤 # 例如，只保留同时出现在business和user文件中的评论 valid_reviews = df_review[ df_review['business_id'].isin(df_business['business_id']) & df_review['user_id'].isin(df_user['user_id']) ].copy() # 3. 构建映射字典（为每个实体分配唯一索引） user_id_to_idx = {uid: i for i, uid in enumerate(valid_reviews['user_id'].unique())} business_id_to_idx = {bid: i for i, bid in enumerate(valid_reviews['business_id'].unique())} review_id_to_idx = {rid: i for i, rid in enumerate(valid_reviews['review_id'])} # 4. 提取文本特征（使用预训练BERT） print("Extracting text features...") tokenizer = AutoTokenizer.from_pretrained('bert-base-uncased') model = AutoModel.from_pretrained('bert-base-uncased').to('cuda') model.eval() review_features = [] batch_size = 32 for i in range(0, len(valid_reviews), batch_size): batch_texts = valid_reviews['text'].iloc[i:i+batch_size].tolist() inputs = tokenizer(batch_texts, return_tensors='pt', padding=True, truncation=True, max_length=128).to('cuda') with torch.no_grad(): outputs = model(**inputs) # 取[CLS] token的向量作为句子表征 batch_features = outputs.last_hidden_state[:, 0, :].cpu() review_features.append(batch_features) review_features = torch.cat(review_features, dim=0) # 5. 构建异构图数据对象 data = HeteroData() # 添加节点 data['user'].x = torch.randn(len(user_id_to_idx), 64) # 用户特征，这里用随机值示意，实际应从df_user提取 data['business'].x = torch.randn(len(business_id_to_idx), 32) # 商家特征 data['review'].x = review_features # 评论特征（BERT向量） # 添加边（用户 -> 评论， 评论 -> 商家） edge_index_user_to_review = [] edge_index_review_to_business = [] for idx, row in valid_reviews.iterrows(): u_idx = user_id_to_idx[row['user_id']] r_idx = review_id_to_idx[row['review_id']] b_idx = business_id_to_idx[row['business_id']] edge_index_user_to_review.append([u_idx, r_idx]) edge_index_review_to_business.append([r_idx, b_idx]) data['user', 'writes', 'review'].edge_index = torch.tensor(edge_index_user_to_review, dtype=torch.long).t().contiguous() data['review', 'about', 'business'].edge_index = torch.tensor(edge_index_review_to_business, dtype=torch.long).t().contiguous() # 6. 处理标签 # 将标签映射到评论索引 label_map = dict(zip(df_label['review_id'], df_label['is_fake'])) labels = [] for rid in valid_reviews['review_id']: labels.append(label_map.get(rid, -1)) # -1 表示无标签 data['review'].y = torch.tensor(labels, dtype=torch.long) # 7. 划分有标签/无标签索引 labeled_mask = data['review'].y != -1 labeled_idx = torch.where(labeled_mask)[0] unlabeled_idx = torch.where(~labeled_mask)[0] print(f"Graph built: {data}") print(f"Labeled reviews: {len(labeled_idx)}, Unlabeled reviews: {len(unlabeled_idx)}") return data, labeled_idx, unlabeled_idx

这个预处理流程涵盖了从原始数据到图数据对象的完整转换，是项目中最具工程量的部分。

4.3 模型训练与评估循环

将模型、数据和训练逻辑整合起来。

def train_and_evaluate(model, data, train_idx, val_idx, test_idx, epochs=200): optimizer = torch.optim.Adam(model.parameters(), lr=0.005, weight_decay=5e-4) criterion = nn.CrossEntropyLoss() best_val_acc = 0 best_model_state = None for epoch in range(1, epochs+1): model.train() optimizer.zero_grad() out = model(data.x_dict, data.edge_index_dict, data.edge_type) loss = criterion(out[train_idx], data['review'].y[train_idx]) loss.backward() optimizer.step() # 验证 if epoch % 10 == 0: model.eval() with torch.no_grad(): out = model(data.x_dict, data.edge_index_dict, data.edge_type) pred = out.argmax(dim=-1) train_acc = (pred[train_idx] == data['review'].y[train_idx]).sum().item() / train_idx.size(0) val_acc = (pred[val_idx] == data['review'].y[val_idx]).sum().item() / val_idx.size(0) test_acc = (pred[test_idx] == data['review'].y[test_idx]).sum().item() / test_idx.size(0) if val_acc > best_val_acc: best_val_acc = val_acc best_model_state = model.state_dict().copy() # 可以在这里保存最佳模型 torch.save(...) print(f'Epoch: {epoch:03d}, Loss: {loss:.4f}, Train Acc: {train_acc:.4f}, Val Acc: {val_acc:.4f}, Test Acc: {test_acc:.4f}') # 加载最佳模型进行最终测试 model.load_state_dict(best_model_state) model.eval() with torch.no_grad(): out = model(data.x_dict, data.edge_index_dict, data.edge_type) pred = out.argmax(dim=-1) final_test_acc = (pred[test_idx] == data['review'].y[test_idx]).sum().item() / test_idx.size(0) print(f'\nFinal Test Accuracy: {final_test_acc:.4f}') # 更详细的评估：精确率、召回率、F1分数 from sklearn.metrics import classification_report print(classification_report(data['review'].y[test_idx].cpu(), pred[test_idx].cpu(), target_names=['Real', 'Fake'])) return model, final_test_acc

在主函数中，你需要先调用预处理函数得到data，然后划分训练/验证/测试索引（注意，这里的train_idx仅包含初始有标签的部分），初始化模型，最后调用train_and_evaluate函数。之后，再将训练好的模型和未标注数据索引传入self_training函数进行半监督学习迭代。

5. 效果优化、常见问题与调参心得

5.1 性能提升技巧与策略

如果基线模型效果不理想，可以从以下几个方向进行优化：

1. 特征工程增强：

   • 用户/商家特征：不要只用随机特征。从user.json和business.json中挖掘更多有价值的特征，如用户的“精英”状态、朋友数量、商家收到的评论数量、星级分布方差等。这些特征对识别异常模式很有帮助。
   • 评论元特征：除了BERT文本向量，可以拼接一些手工特征，如评论长度、标点符号数量、情感得分（使用TextBlob或VADER计算）、是否包含URL、发布时间（是否为凌晨）等。
   • 图结构特征：在构建图之前，可以预先计算一些图度量作为节点特征，例如节点的度（一个用户发了多少评论）、聚类系数等。

2. 模型架构改进：

   • 更强大的图编码器：将简单的RGCN替换为更先进的模型，如GraphSAGE（适合大规模图）、GAT（使用注意力机制权衡邻居重要性）、HAN（异构图注意力网络）或HGT（异构图Transformer）。
   • 深度与跳跃连接：堆叠更多GNN层可能导致“过度平滑”，即所有节点的表征变得相似。可以加入残差连接或跳跃连接来缓解这个问题。
   • 解码器设计：除了简单的线性分类层，可以尝试更复杂的结构，如多层感知机（MLP）。

3. 半监督策略优化：

   • 阈值动态调整：随着自训练轮次增加，模型越来越准，可以逐步降低置信度阈值，以利用更多数据。
   • 课程学习：先让模型学习“简单”的无标签样本（高置信度），再逐步学习“困难”样本。
   • 集成方法：训练多个不同的模型（不同初始化或不同架构），用它们预测无标签数据，只选择那些所有模型都高置信度且预测一致的样本作为伪标签，这可以显著降低噪声。

5.2 典型问题排查清单

在复现或运行此类项目时，你大概率会遇到以下问题：

5.3 参数调优经验谈

调参是机器学习项目的“玄学”也是科学。以下是一些经验性的起点和建议：

• 学习率 (Learning Rate)：最关键的参数。从3e-4开始尝试，这是Transformer和GNN模型常用的一个稳定起点。配合ReduceLROnPlateau调度器。
• 隐藏层维度 (Hidden Dimension)：通常设置在64到512之间。对于中等规模的数据集，128或256是一个不错的起点。维度太小模型容量不足，太大会导致过拟合和计算成本增加。
• GNN层数 (Number of Layers)：2到3层对于大多数虚假评论检测场景已经足够。层数越多，节点能聚合到更远邻居的信息，但也更容易导致过度平滑。可以从2层开始。
• Dropout率：用于防止过拟合。在全连接层和GNN层的激活函数后都可以添加。常用值在0.2到0.5之间。如果模型在训练集上表现很好但在验证集上差，可以尝试增加到0.5。
• 权重衰减 (Weight Decay)：即L2正则化系数。常用值在5e-4左右。如果模型过拟合，可以尝试增大到1e-3。
• 自训练置信度阈值：这是一个需要小心权衡的参数。起始可以设高（0.95），确保伪标签质量。如果模型收敛后新增的伪标签很少，可以逐步微降到0.9或0.85。
• 优化器选择：AdamW目前比标准的Adam更受欢迎，因为它能更好地解耦权重衰减和梯度更新。可以优先尝试。

我的个人体会是，在GNN项目中，数据的质量（图构建的正确性、特征的有效性）和半监督策略的稳健性，往往比模型架构的微调更能决定最终性能的上限。花60%的时间确保数据管道无误，30%的时间设计合理的半监督学习循环，剩下10%的时间进行调参，这样的投入产出比通常最高。另外，务必使用TensorBoard或Weights & Biases等工具记录每个实验的超参数和结果，这是从“玄学”走向“科学”的必经之路。

本文还有配套的精品资源，点击获取