4. 图神经网络入门
在欺诈节点分类任务中，节点并非孤立样本：一个账户是否可疑，往往取决于它与哪些账户发生转账、共享设备或共用IP。图神经网络（GNN）之所以有效，正是因为它把这种“邻居证据”编码进节点表示。理解GNN，关键不是记住某个公式，而是抓住一条主线：消息传递。本节围绕消息传递、聚合更新，以及GCN、GraphSAGE、GAT三种经典模型展开，帮助你建立可落地的直觉。
一、核心原理：消息传递与聚合更新
GNN的每一层都可以拆成两个动作：消息生成与聚合更新。对目标节点v，它的每个邻居u先产生一条消息，通常由邻居特征与边特征共同决定；随后v把所有邻居消息聚合为一个向量；最后将聚合结果与v自身上一层的表示结合，经过线性变换和非线性激活，得到v的新表示。
用统一形式可写为：
m_v^(l) = AGGREGATE({ MESSAGE(h_u^(l-1), h_v^(l-1), e_uv) | u ∈ N(v) })
h_v^(l) = UPDATE(h_v^(l-1), m_v^(l))其中N(v)是v的邻居集合，e_uv为边特征。AGGREGATE必须对邻居顺序不敏感，因为图中邻居没有天然次序；UPDATE则决定保留多少自身信息、吸收多少邻居信息。堆叠L层后，节点表示可感知L跳邻域，这正是GNN能捕捉欺诈团伙、资金环路等结构信号的原因。
二、方法流程：从GCN到GraphSAGE再到GAT
三种模型共享消息传递框架，差异集中在“如何聚合”和“如何加权”。
- GCN：使用对称归一化的邻接矩阵进行加权平均，聚合权重由节点度决定。它简单高效，适合同配性强的图，即欺诈节点倾向连接欺诈节点。
- GraphSAGE：不依赖全图拉普拉斯，而是对每个节点采样固定数量邻居，再选择均值、池化或LSTM等聚合器。它支持归纳学习，新账户加入后无需重新训练即可推理。
- GAT：引入注意力机制，为不同邻居学习不同权重。对于欺诈场景，这意味着“高风险的强关联邻居”比“偶然同设备的正常邻居”获得更大影响。
以GraphSAGE的均值聚合为例，单层前向可简化为：
h_N(v) = mean({ ReLU(W · h_u) | u ∈ sample(N(v), k) })
h_v' = ReLU( W_self · h_v + W_neigh · h_N(v) )训练时通常采用小批量节点采样与负采样，损失函数可用交叉熵。欺诈标签往往极度不平衡，因此评估不能只看准确率，应重点关注召回率、F1与AUC。
| 模型 | 聚合方式 | 是否归纳 | 适用场景 | 主要风险 |
|---|---|---|---|---|
| GCN | 度归一化加权平均 | 否（全图训练） | 同配性强、图规模适中 | 新节点需重训，深层层间平滑 |
| GraphSAGE | 采样后均值/池化/LSTM | 是 | 动态增长、大图、新账户多 | 采样方差大，邻居数需调参 |
| GAT | 注意力加权求和 | 是 | 邻居重要性差异明显 | 注意力易过拟合，计算开销较高 |
三、案例场景：欺诈节点分类中的消息传递
假设我们要判断一个支付账户是否为欺诈节点。它的邻居包括：频繁转账的可疑账户、共享设备的正常账户、以及少量已确认欺诈账户。GCN会把所有邻居按度平均，可能稀释高风险信号；GraphSAGE通过采样和聚合器，能在新账户出现时快速给出表示；GAT则可为已确认欺诈邻居分配更高注意力权重，从而放大风险证据。
一个典型的训练配置如下：
模型: GraphSAGE
隐藏维度: 64
层数: 2
邻居采样: [10, 5]
聚合器: mean
学习率: 0.005
dropout: 0.3
损失: BCEWithLogitsLoss（带类别权重）
评估: AUC, Recall@TopK, F1在真实系统中，通常先用GCN或GraphSAGE快速建立基线，再尝试GAT提升对关键邻居的区分能力。若图规模很大，可先做子图采样或采用邻居采样训练，避免全图前向带来的显存压力。
四、误区与复盘
掌握消息传递与聚合更新后，你已经具备阅读和实现主流GNN的基础。后续在欺诈节点分类中，还需结合阈值优化，把模型输出的概率转化为可执行的业务决策。