1. 课程导入
欢迎进入《大规模金融图采样与Mini-batch训练》的第一章。在正式进入算法与工程细节之前，我们需要先建立一张“全局地图”：金融图数据到底长什么样、它为什么难以直接训练、图采样与Mini-batch训练各自解决什么问题，以及它们如何组合成一条可落地的技术链路。本章不追求公式推导，而是帮助你在脑中形成清晰的问题框架，后续每一章都会挂接到这个框架上。
一、学习目标
完成本章后，你应当能够回答以下四个问题，并能在白板上向同事解释清楚：
- 规模认知：金融图数据的节点、边、特征与时间维度通常达到什么量级，为什么“全图训练”在工程上不可行。
- 挑战定位：区分显存瓶颈、计算瓶颈、IO瓶颈与数据分布瓶颈，理解它们在图训练中的具体表现。
- 框架理解：说清“采样—子图构造—Mini-batch前向/反向—参数更新”的整体闭环。
- 取舍意识：理解采样带来的方差、邻居爆炸、时间泄漏等风险，并知道后续章节会如何逐一处理。
核心判断：图采样不是“为了省显存而做的妥协”，而是把全图训练问题转化为可并行、可增量、可在线更新的学习问题的关键抽象。Mini-batch训练则是让这种抽象与主流深度学习框架对接的工程接口。
二、金融图数据的规模与挑战
金融场景中的“图”通常不是单一类型。以典型的支付与信贷风控图为例，节点可能包括用户、商户、设备、银行卡、IP、企业实体；边则包括转账、登录、绑定、担保、股权关系等。节点特征可能包含画像统计、行为序列、嵌入向量；边特征可能包含金额、时间戳、频次、渠道。再叠加时间维度，同一对节点在不同时间窗口内可能形成多条边，构成动态异构图。
这种数据形态带来四类典型挑战：
| 挑战类型 | 具体表现 | 直接后果 |
|---|---|---|
| 规模挑战 | 节点数千万到数十亿，边数可达百亿级，特征维度高且稀疏 | 全图邻接矩阵与特征矩阵无法一次性载入显存或内存 |
| 结构挑战 | 幂律分布导致少数超级节点拥有海量邻居，形成“邻居爆炸” | 多层GNN聚合时计算量指数级增长，单批次不可控 |
| 时间挑战 | 交易、登录、关系建立都具有严格时间顺序，未来信息不可见 | 随机采样容易引入时间泄漏，离线指标虚高 |
| 分布挑战 | 欺诈、违约等正样本极度稀少，且分布随时间和对抗行为漂移 | 采样偏差放大，模型在真实线上环境退化 |
很多初学者会低估“时间挑战”。在金融图中，一条边的时间戳不仅是特征，更是因果约束。如果采样时把未来边混入当前批次的邻居，模型在离线评估中会表现得异常优秀，但上线后迅速失效。因此，后续章节会反复强调时间感知采样与训练/验证切分。
三、图采样与Mini-batch训练的整体框架
把问题拆开看，整条链路可以概括为“一个目标、两个循环、三层控制”。一个目标是：在有限显存与可控计算预算下，逼近全图训练的效果。两个循环是：外层按批次遍历种子节点，内层按GNN层数逐层采样邻居并聚合。三层控制是：采样控制（采多少、怎么采）、计算控制（如何分块、如何复用）、更新控制（学习率、批大小、负采样策略）。
下面用一个简化的伪代码展示Mini-batch图训练的基本节奏，注意其中“逐层采样”与“逐层聚合”的对应关系：
for epoch in range(num_epochs):
for seed_nodes in batch_iter(train_nodes, batch_size):
# 1. 逐层采样，构造计算子图
subgraph = sample_neighbors(
graph,
seed_nodes,
num_layers=2,
fanouts=[10, 5],
time_aware=True
)
# 2. 子图前向传播
embeddings = gnn_forward(subgraph, features)
# 3. 计算损失并反向传播
loss = compute_loss(embeddings, labels)
loss.backward()
optimizer.step()
optimizer.zero_grad()
这段代码看似简单，但每一行背后都有工程取舍。例如 fanouts=[10, 5] 表示第一层每个节点采10个邻居，第二层每个节点再采5个邻居；如果换成 [50, 50]，单批计算量会急剧上升。再如 time_aware=True，意味着采样时必须过滤掉时间戳晚于种子节点的边，否则就是时间泄漏。
教学提示：理解Mini-batch图训练时，不要把它想成“把大图切成小图”。更准确的说法是：每个批次围绕种子节点，动态地“生长”出一棵有界深度的邻居树，再在这棵树上做消息传递。不同批次的子图可以重叠，参数在批次间共享。
四、案例场景：支付风控中的一次Mini-batch训练
假设我们要训练一个GNN模型，用于判断某笔交易是否欺诈。种子节点是“交易”节点，它的邻居包括付款方、收款方、设备、IP。第一层采样时，我们为每笔交易采10个邻居；第二层再为这些邻居采5个邻居。这样，一个批次256笔交易，经过两层采样后，参与计算的节点数可能达到数千到数万。如果不加控制，超级节点（例如热门商户）会迅速把子图撑爆。
在实际系统中，采样器通常需要与图存储分离：图存储负责按时间、类型、权重快速返回邻居；采样器负责按fanout和策略裁剪；训练器只接收已经张量化的子图。这种分层设计让采样可以并行、可以缓存、可以独立扩展。
常见误区：把采样器写成“随机取前N个邻居”。在金融图中，邻居的顺序往往隐含时间或重要性信息，随机截断会丢失关键关系。更合理的做法是按时间倒序、按权重或按类型分层采样，并在后续章节中引入重要性采样与自适应fanout。
五、本章知识地图
为了把上述内容串起来，下面这张图展示了从原始金融图到Mini-batch训练的整体数据流与关键控制点。请重点观察：采样发生在“图存储”与“训练器”之间，时间过滤和fanout控制是两道核心闸门。
这张图也提示了一个重要事实：采样器是整条链路的“咽喉”。采样策略决定了训练器看到的世界，也决定了模型最终学到什么。后续章节会分别深入图存储、采样算法、Mini-batch调度、时间感知训练与线上部署。
六、复盘与自检
在进入下一章之前，请用以下清单快速自检。如果你能对每一项给出具体例子，说明本章目标已经达成：
- 我能说出金融图数据在节点、边、特征、时间四个维度上的典型规模。
- 我能解释为什么全图训练在显存和计算上不可行，并指出至少两个瓶颈。
- 我能画出“图存储—采样器—训练器—参数更新”的闭环，并标注时间过滤与fanout控制的位置。
- 我能说明采样偏差可能带来的风险，以及为什么时间泄漏在金融图中尤其危险。
- 我能写出一个Mini-batch图训练的基本伪代码结构，并解释其中关键参数的含义。
如果你对其中某些点仍感模糊，不必着急。本章的任务是建立框架，而不是解决所有细节。接下来的章节会沿着这张知识地图，逐层展开采样算法、工程实现与调优策略。