使用半监督学习映射用户行为以识别以太坊中的专业账户该研究针对以太坊平台用户行为识别问题，提出结合无监督学习与半监督学习的

研究目的

该研究针对以太坊平台用户行为识别问题，提出结合无监督学习与半监督学习的方法，旨在从匿名用户中区分出从事专业活动（如交易、支付服务等）的账户。由于平台公开标记的专业用户数据极少（仅占0.83%）且类别高度不平衡，研究首先通过无监督学习对未标记账户聚类，识别出普通行为用户，构建包含标记（普通/专业）和未标记实例的混合数据集；继而利用半监督学习训练分类模型，从未标记数据中挖掘专业账户。

研究介绍

由于区块链提倡匿名性，在保持身份匿名的同时识别用户特征是具有挑战性的。DeFi可通过用户画像分析实现两项核心功能：一是依据用户行为特征筛选适合其服务的目标客户，例如针对支付、贷款、捐赠或NFT版税等服务匹配潜在用户；二是评估用户信用风险，为金融服务的合规性和安全性提供数据支撑，这种分析能有效提升DeFi领域的服务效率与风险管控能力。现有工具（如Etherscan）依赖手动标注用户身份，效率低且不通用，而学术研究多聚焦于区块链安全、智能合约分类或投资风险分析，缺乏针对"专业用户/普通用户"的自动化分类方法。为此，研究提出结合无监督学习与半监督学习的框架。


sequenceDiagram

participant 数据获取

participant 无监督学习聚类

participant 构建混合数据集

participant 半监督学习训练

participant 专业账户分类

数据获取 ->> 无监督学习聚类: 输入未标记用户账户数据集（16,878个未标记账户）

无监督学习聚类 ->> 无监督学习聚类: 应用k-means聚类（k=2~10），识别最大公共集群（16,576个普通行为用户）

无监督学习聚类 ->> 构建混合数据集: 输出普通用户（16,576个，标记为“普通”）+ 剩余未标记账户（302个）

数据获取 ->> 构建混合数据集: 输入已有专业用户（142个，标记为“专业”）

构建混合数据集 ->> 半监督学习训练: 混合数据集=专业用户（142）+ 普通用户（16,576）+ 未标记账户（302）

半监督学习训练 ->> 半监督学习训练: 应用Transductive-SVM等方法，利用标记数据和未标记数据联合训练

半监督学习训练 ->> 专业账户分类: 输出分类模型，从未标记账户中识别专业账户（299个预测为专业，3个预测为普通）

专业账户分类 --> 结果: 最终分类结果（专业/普通用户）

研究核心贡献：

构建了包含142个专业用户的标注数据集，提取7项交易特征（如智能合约交互次数、账户余额等）；
设计了融合多类机器学习方法的框架，解决区块链场景下数据匿名性和标注稀缺问题；
通过对比实验验证了方法的有效性，为区块链用户画像分析提供了新范式。

研究结果可为DeFi应用优化用户服务、提升风险管控能力提供技术支持，并可扩展至其他区块链平台的用户分类任务。

数据描述

研究团队通过Etherscan和Etherchain API收集了2019年4月15日至7月26日期间以太坊区块链上的20,857,783笔交易，从中随机均匀选取2,519,711笔（占比3.2%）以减少加密货币价格波动导致的平台季节性影响。基于这些交易，提取了17,020个唯一账户（视为独立用户），并为每个账户构建7项特征：发送交易数、接收交易数、向智能合约发送的交易数、接收来自智能合约的交易数、最新以太币余额、账户总交易数（含未纳入数据集的交易），以及用于分类的标签（专业用户通过Etherscan公开标识定义，共142个，占比0.83%；其余16,878个为未标记账户，占比99.17%）。数据集呈现显著类别不平衡，未标记账户需通过机器学习方法判断其属于专业用户还是普通用户，为后续结合无监督与半监督学习的分类模型构建提供了数据基础。

研究方法

1. 提出的方法

研究首先指出前期监督学习方法的局限——将所有未标记账户默认视为普通用户，导致潜在专业用户被误判（图1流程）。为减少标签噪声，新方法通过无监督学习（k-means聚类）对未标记数据进行分析，识别出具有典型普通行为的用户集群（最大公共集群），并将其标注为普通用户，剩余未标记账户暂不分类（图2(a)）。在此基础上，引入半监督学习（Transductive-SVM），利用包含专业用户、已识别普通用户及未标记数据的混合数据集进行训练，通过标签传播挖掘未标记数据中的专业账户（图2(b)）。此外，针对数据高度不平衡（专业用户仅占0.83%），在交叉验证中采用随机欠采样、过采样和SMOTE等技术平衡训练数据，提升模型对少数类的识别能力。该方法通过多阶段机器学习策略，有效整合标记与未标记数据信息，为解决区块链场景下的稀疏标注问题提供了新框架。

2. 机器学习方法

监督学习部分选取K-近邻（KNN）、决策树（DCT）、随机森林（RF）、逻辑回归（LG）、支持向量机（SVM）和分类委员会（Classifier Committees）等算法，其中分类委员会通过硬投票（多数表决）或软投票（加权表决）整合多个模型预测结果，旨在平衡单个模型的弱点。
无监督学习采用k-means算法对未标记数据聚类，通过分析不同k值（2~10）下的最大公共集群，识别出具有典型普通行为的用户账户（16,576个），剩余302个行为不典型的账户保留为未标记状态。
半监督学习阶段引入转导支持向量机（Transductive-SVM），利用标记数据（专业/普通用户）和未标记数据的特征相似性进行标签传播，将未标记账户纳入训练以提升分类模型性能。

针对数据集高度不平衡（专业用户仅占0.83%），研究在10折交叉验证中采用三种平衡策略：随机欠采样（删除多数类实例）、随机过采样（复制少数类实例）和SMOTE（生成少数类合成实例），以优化模型对少数类（专业用户）的识别能力。此外，框架利用随机森林等决策树模型提取分类过程的关键特征，为分析用户行为提供解释性支持。

3. 性能度量

针对以太坊用户分类中专业用户数据极不平衡（仅占0.83%）的问题，重点采用能有效反映少数类分类效果的指标。

基础指标中，Accuracy（准确率）虽直观但在不平衡数据中易受多数类主导，无法真实反映专业用户识别能力；
Precision（精确率）衡量预测为专业用户的样本中实际为专业用户的比例，体现对正类的误判率；
Recall（召回率）关注实际专业用户中被正确识别的比例，对捕捉稀缺的专业用户至关重要。
综合指标方面，Fβ-score通过调整β值调和Precision与Recall，本文采用F2-score（β=2）以更高权重突出Recall，优先减少专业用户漏判；
Matthews相关系数（MCC）综合考虑真/假正负例，对不平衡数据鲁棒性强，取值范围[-1,1]，1表示完美预测，0为随机预测，是可靠的综合评估指标。
阈值无关指标AUC-ROC通过绘制不同分类阈值下真正率与假正率的关系曲线，其面积反映模型区分两类的整体能力，值越接近1性能越好，本文将其作为Soft Voting分类器的核心决策指标。

这些指标的选择紧密结合数据不平衡特性与实际应用需求，聚焦于精准评估和提升模型对专业用户的识别效果，避免单一依赖Accuracy导致的评估偏差，为模型性能对比和优化提供了多维度的科学依据。

实验与结果

1. 监督学习

本节聚焦传统监督学习方法在以太坊用户分类中的应用，将未标记数据默认视为普通用户作为基线，并通过数据平衡技术（欠采样、过采样、SMOTE）优化模型对少数类（专业用户）的识别能力。实验结果显示，尽管Accuracy普遍较高（>98%），但Precision和Recall等反映少数类性能的指标差异显著：无预处理时模型易偏向多数类，Recall低于41%，仅能识别不到50个专业用户（TP<42）；采用欠采样和过采样后，Recall和AUC-ROC显著提升，TP可达94%-95%，且TN保持在90%以上。

随机森林在个体模型中表现最优，AUC-ROC和TP均超94%，成为软投票分类器的核心决策依据；欠采样技术因在AUC-ROC指标上表现最佳（最高达0.968），成为最有效的预处理方法。然而，监督学习仍存在局限性，如未标记数据中的潜在专业用户被误判为普通用户，导致标签噪声，且未充分利用未标记数据的信息，为后续结合无监督和半监督学习的改进方法提供了优化空间。

2. 无监督学习

本节聚焦无监督学习在以太坊用户分类中的应用，通过k-means聚类技术处理未标记数据以优化训练集纯度。研究对16,878个未标记账户进行聚类（k=2~10），发现最大集群在不同k值下保持稳定，通过交集分析确定16,576个行为高度相似的账户为普通用户（占比98.2%），剩余302个因行为不典型仍保留为未标记状态。将识别出的普通用户与142个专业用户结合，形成包含16,718个标记样本的新数据集（专业用户占0.85%），并采用欠采样、过采样、SMOTE等技术平衡数据。

实验结果显示，无监督学习显著提升了模型对专业用户的识别能力：与传统监督学习（默认未标记为普通用户）相比，随机森林在SMOTE平衡下的真阳性（TP）从84.51%提升至92.96%，AUC-ROC从0.866提升至0.977，且多数类（普通用户）的真阴性（TN）保持在99%以上。k-means聚类通过过滤噪声（排除潜在非普通用户），使普通用户标签纯度从99.17%提升至99.8%，减少了监督学习中错误标签的干扰。此外，无监督步骤为后续半监督学习提供了更可靠的基础数据集，验证了结合无监督与监督学习在处理区块链匿名数据时的有效性，为解决类别不平衡和标注稀缺问题提供了关键支撑。

3. 半监督学习

本节聚焦半监督学习在以太坊用户分类中的应用，将无监督学习筛选出的普通用户（16,576个）、专业用户（142个）与剩余未标记的302个账户整合，形成包含标记与未标记数据的混合数据集，通过Transductive-SVM（转导支持向量机）进行标签传播以挖掘潜在专业账户。实验中结合欠采样、过采样、SMOTE等数据平衡技术，结果显示半监督学习显著提升了模型对少数类（专业用户）的识别能力：欠采样下随机森林实现100%真阳性（TP），即正确识别所有142个专业用户，AUC-ROC达96.8%；过采样和SMOTE处理后，TP分别提升至95.77%和97.8%，且AUC-ROC均超94%。

Transductive-SVM对302个未标记账户的标签分配显示，299个被分类为专业用户，仅3个为普通用户，其交易特征（如高余额、高频智能合约交互）与已标记专业用户高度相似，验证了半监督学习对潜在专业账户的有效挖掘。与仅使用监督学习或无监督学习的方法相比，半监督学习通过整合未标记数据的结构信息，避免了未标记数据的简单丢弃或错误归类，在准确率、召回率、MCC等指标上均实现显著提升（关键指标超95%），尤其在处理区块链场景下的匿名数据和稀疏标注问题时优势突出，为高效识别稀缺专业用户提供了关键技术路径。

研究结论

研究提出整合无监督与半监督学习的框架，通过无监督聚类识别普通用户、半监督学习挖掘未标记数据中的专业账户，有效解决了区块链平台用户分类中数据匿名性和标注稀缺的挑战。实验表明，该框架在准确率、精确率、召回率、Fβ分数、MCC和AUC-ROC等指标上均超过95%，显著优于传统监督学习方法，为去中心化金融（DeFi）等应用的用户画像分析和风险评估提供了高效解决方案。

研究的核心贡献包括：1）构建了包含142个专业用户的标注数据集，提取7项交易特征；2）设计了融合多类机器学习的分类框架，解决数据不平衡问题；3）通过对比实验验证了方法的优越性，为区块链用户画像分析提供新范式。未来计划优化模型性能、提取更多交易特征，并将框架扩展至其他区块链平台及用户分类场景。研究结果为加密货币生态系统中用户行为分析提供了重要技术支撑，具有显著的实际应用价值。

使用半监督学习映射用户行为以识别以太坊中的专业账户