摘要
比特币账本记录每笔交易转移的内容，但不记录其用途；无监督画像无需标签即可对其进行描述，却很少针对聚类未见过的信息进行测试。我们评估了 ZSH 方法，该方法根据十二个特征与代理划分的互信息排名进行加权，分层初始化 K-means 并限制簇大小；相关计划与代码在报告的实验运行前已冻结。模型基于 2022 年至 2023 年的 330 万笔交易进行拟合，并在 2024 年的 260 万笔交易及截至 2026 年 8 月收集的 456,292 笔交易上进行测试。其生成的 31 个画像在捕获效果最佳的四个标注项上达到了性能上限的 78% 至 84%，而在五个出现频率最低的标注项上则低于 11%。无论是采用最优权重还是其他六种方法族，均未改变这一结果；尽管对于 P2SH 输入，基于相同特征的监督学习达到了 95%，而画像仅达到 24%。重新拟合结果的一致性调整兰德指数（ARI）为 0.83，但截至 2026 年，三个画像占据了样本的四分之三，且在自由重新拟合中无一保留；若将重新拟合约束于之前的质心，则在 2024 年保留了 31 个中的 24 个，2026 年则为 14 个。对于大多数标注项，在已测试的方法中，限制因素似乎在于聚类目标函数而非特征；对于交易所标签，更丰富的特征提升了监督学习与画像的提取效果——画像性能从上限的 3.0% 提升至 9.4%，监督学习提升至 59.6%。这些画像是活动模式的可视化图谱，而非检测工具。
