3. 图神经网络入门

在金融关系演化任务中，数据天然不是欧几里得空间中的规则网格，而是由账户、企业、担保、交易、股权等实体与关系构成的图。要把这类数据送进神经网络，第一步是建立统一的图表示语言：谁参与、如何连接、连接强度如何、节点和边携带哪些特征。本节围绕图的基本表示、邻接矩阵、节点嵌入、消息传递机制与经典GNN模型展开，为后续时序图神经网络打下基础。

一、图的基本表示：从金融实体到数学对象

一个图通常记为 G = (V, E)，其中 V 是节点集合，E 是边集合。在金融场景中，节点可以表示银行账户、上市公司、自然人、基金或行业板块；边可以表示转账、担保、持股、供应链或舆情共现。若边有方向，如资金从A流向B，则称为有向图；若边带权重，如转账金额或持股比例，则称为加权图。节点和边都可以附带特征向量，例如账户的日均余额、企业的财务指标、边的交易频次与金额。

图表示的关键在于把业务语义映射为结构语义。例如，在反欺诈场景中，一个账户节点可能连接多个设备节点和交易对手节点，形成“账户—设备—IP—交易”的异构图。此时需要区分节点类型和边类型，否则模型会把不同语义的关系混为一谈。实际建模时，常先定义模式（schema），再构建图数据对象。

金融图建模的核心不是“把数据连起来”，而是明确节点类型、边类型、方向、权重与时间戳，使图结构能够承载业务因果与风险传播路径。

二、邻接矩阵：图结构的代数表达

邻接矩阵是图最基础的代数表示。对于含 n 个节点的图，邻接矩阵 A 是 n×n 矩阵，A[i][j] 表示节点 i 到节点 j 是否存在边或边的权重。无向图的邻接矩阵对称，有向图则不一定对称。若节点还带特征矩阵 X（形状为 n×d），则图数据可表示为 (A, X)。

邻接矩阵的优点是便于矩阵运算和批量处理，缺点是稀疏性高。金融图往往有百万级节点，但每个节点的邻居数有限，若用稠密矩阵存储会浪费大量内存。因此工程中常用稀疏格式，如 COO、CSR 或边列表。下面是一个简单的边列表与邻接矩阵构造示例：

import numpy as np
import scipy.sparse as sp

# 边列表：源节点、目标节点、权重
edges = [(0, 1, 1.0), (1, 2, 0.8), (2, 0, 0.5), (2, 3, 1.2)]
n = 4
rows = [e[0] for e in edges]
cols = [e[1] for e in edges]
vals = [e[2] for e in edges]

A = sp.coo_matrix((vals, (rows, cols)), shape=(n, n)).tocsr()
print(A.toarray())
# [[0.  1.  0.  0. ]
#  [0.  0.  0.8 0. ]
#  [0.5 0.  0.  1.2]
#  [0.  0.  0.  0. ]]

在GNN中，邻接矩阵通常还会经过归一化处理，例如对称归一化 D^{-1/2} A D^{-1/2}，以缓解高度数节点在聚合时主导信息的问题。对于带自环的图，还会加上单位矩阵 I，使节点在聚合时保留自身信息。

三、节点嵌入与消息传递机制

节点嵌入的目标是把每个节点映射为低维稠密向量，使结构相近或角色相似的节点在向量空间中接近。早期方法如 DeepWalk、Node2Vec 通过随机游走生成序列，再用 Word2Vec 学习嵌入；这类方法依赖游走策略，难以直接利用节点特征。GNN 则通过消息传递机制，在聚合邻居信息的同时融合节点自身特征，实现端到端学习。

消息传递可概括为三个步骤：消息生成、消息聚合、节点更新。以第 k 层为例，节点 v 先从邻居 u 接收消息 m_{u→v}^{(k)}，再聚合为 a_v^{(k)}，最后与自身表示 h_v^{(k-1)} 一起更新为 h_v^{(k)}。公式化表示为：

m_{u→v}^{(k)} = M^{(k)}(h_u^{(k-1)}, h_v^{(k-1)}, e_{uv})
a_v^{(k)} = AGG({m_{u→v}^{(k)} | u ∈ N(v)})
h_v^{(k)} = U^{(k)}(h_v^{(k-1)}, a_v^{(k)})

其中 M、AGG、U 分别表示消息函数、聚合函数和更新函数。不同GNN模型的差异，主要就体现在这三个函数的设计上。金融场景中，聚合函数常采用求和、均值或注意力加权，以体现不同交易对手的重要性差异。

金融图上的消息传递与节点更新 账户A h_A 企业B h_B 目标节点 h_v 担保C h_C 交易D h_D 转账 0.8 持股 0.6 担保 1.0 交易 0.9 聚合邻居消息 → 更新 h_v

四、经典GNN模型概览与金融场景对照

不同GNN模型在消息传递的细节上各有侧重。下表对几种经典模型进行对照，并给出金融关系演化中的典型用途：

模型 核心机制 优点 金融场景示例
GCN 对称归一化邻接矩阵 + 均值聚合 结构简单、训练稳定 股权网络中的企业风险传播
GraphSAGE 邻居采样 + 多种聚合函数 支持归纳学习、适合大图 新开户账户的欺诈识别
GAT 注意力加权聚合邻居 可区分邻居重要性 交易对手重要性差异建模
GIN 求和聚合 + MLP 更新 表达能力强、理论完备 图级别金融风险分类
RGCN 按关系类型分别聚合 支持异构图与多关系 担保、持股、交易多关系融合

在金融关系演化任务中，RGCN 和 GAT 往往更贴近业务需求，因为金融图天然是多关系、异质且带权重的。若再引入时间维度，就需要把静态GNN扩展为时序图神经网络，例如在每一时间片上运行GNN，再用RNN或Transformer融合时序表示。

五、常见误区与复盘建议

  • 误区一：把邻接矩阵当作普通特征矩阵。邻接矩阵描述的是连接关系，不是节点属性；节点特征应单独用 X 表示，二者在模型中承担不同角色。
  • 误区二：忽略边方向与时间戳。资金流向、担保方向具有明确因果含义，若统一按无向图处理，会丢失关键风险传播方向。
  • 误区三：过度堆叠GNN层数。层数过多会导致过平滑，所有节点嵌入趋于一致。金融图中通常2到3层即可覆盖多数邻居路径。
  • 误区四：不做归一化。高度数节点会在聚合中占据主导，导致模型偏向中心节点，需使用对称归一化或注意力机制缓解。
复盘时建议检查三件事：图模式是否覆盖了核心业务关系；邻接矩阵是否按需归一化并处理自环；节点嵌入是否在验证集上保持了区分度，而非全部塌缩到同一区域。

掌握图的基本表示、邻接矩阵、节点嵌入与消息传递机制后，就已经具备把金融关系数据转化为GNN可训练对象的能力。下一步的关键，是在此基础上引入时间维度，让图结构随交易、担保和股权关系动态演化，从而支撑更贴近真实金融风控与投研场景的时序图神经网络建模。

← 上一章 📖 返回目录 下一章 →