3. 图机器学习核心概念
在金融场景中，图机器学习之所以有效，核心在于它能把“关系”转化为可计算的向量表示。无论是企业担保网络、资金流转网络、供应链网络，还是账户—设备—IP 的关联网络，节点之间并非独立同分布，而是通过边相互影响。本节围绕六个关键概念展开：图嵌入、图神经网络、消息传递、聚合机制、表示学习与归纳偏置，帮助大家建立从“图结构”到“模型预测”的完整认知链条。
一、核心原理：从图嵌入到表示学习
图嵌入的目标，是为每个节点学习一个低维向量，使向量空间中的距离或相似度能够反映图结构中的邻近关系。早期方法如 DeepWalk、Node2Vec 通过随机游走生成节点序列，再借用词向量思想训练嵌入；LINE 则显式建模一阶与二阶相似度。它们共同的特点是：嵌入一旦训练完成，节点向量就固定下来，属于直推式学习。
表示学习是更上位的概念：不依赖人工特征，而是让模型自动从数据中学习有用表示。在图领域，表示学习既包括浅层图嵌入，也包括以图神经网络为代表的深层表示。金融风控中，一个企业节点的表示可能同时编码其行业属性、交易金额分布、邻居风险等级和社区位置，这些信息最终被压缩进一个几十到几百维的向量。
二、消息传递与聚合机制：GNN 的计算引擎
图神经网络的核心思想是：每个节点不断从邻居那里接收信息，更新自己的表示。这一过程称为消息传递。以最经典的 GCN 为例，一层传播可写为：
H^{(l+1)} = σ( D^{-1/2} A D^{-1/2} H^{(l)} W^{(l)} )其中 A 是邻接矩阵，D 是度矩阵，H 是节点特征矩阵，W 是可学习权重。直观理解：每个节点把邻居特征加权求和，再经过线性变换和非线性激活，得到新表示。堆叠 k 层后，节点可感知 k 跳邻居。
聚合机制决定了“如何汇总邻居信息”。常见聚合器包括：
- 均值聚合：对邻居特征取平均，简单稳定，但无法区分邻居重要性。
- 求和聚合：保留邻居数量信息，适合度分布差异大的金融网络。
- 最大池化聚合：提取邻居中最显著特征，对异常邻居敏感。
- 注意力聚合：GAT 为不同邻居分配不同权重，可解释性强，适合风控归因。
在金融反欺诈中，一个账户若与多个高风险账户存在资金往来，注意力机制会自动提高这些高风险邻居的权重，从而让该账户的表示向风险区域偏移。
三、方法流程：一次前向传播发生了什么
以两层 GCN 做企业风险分类为例，完整流程如下：
- 构图：节点为企业，边为担保、交易、股权关系，边可带权重与方向。
- 特征初始化：每个节点拼接财务指标、行业 one-hot、历史违约标签等，得到初始 h⁰。
- 第一层消息传递：每个企业聚合一跳邻居特征，捕获直接关联风险。
- 第二层消息传递：聚合二跳邻居，捕获担保链、供应链的间接传导。
- 输出层：接全连接层与 Softmax，输出违约概率。
- 损失回传：用交叉熵损失反向传播，同时更新各层权重 W。
需要注意，层数并非越多越好。金融图往往存在“过平滑”问题：层数过深后，所有节点表示趋同，反而丢失区分度。实践中 2～3 层通常足够。
四、归纳偏置：GNN 为什么适合金融图
归纳偏置指模型对数据所做的结构性假设。GNN 的核心归纳偏置包括：
| 归纳偏置 | 含义 | 金融场景价值 |
|---|---|---|
| 局部性 | 节点表示主要由邻居决定 | 风险沿担保链、资金链局部传播 |
| 置换不变性 | 邻居顺序不影响聚合结果 | 交易对手顺序无意义，天然适配 |
| 参数共享 | 同一层权重在所有节点复用 | 新企业加入无需重新训练 |
| 关系归纳 | 边类型可编码不同语义 | 区分担保、交易、股权等关系 |
其中置换不变性尤为关键：聚合函数必须对邻居排列不敏感，否则同一张图因节点编号不同会得到不同结果。这也是 GNN 区别于普通全连接网络的重要标志。
五、案例与误区复盘
某银行在反团伙欺诈中，最初直接用 Node2Vec 生成账户嵌入，再送入 XGBoost。离线 AUC 尚可，但上线后新账户无法获得嵌入，只能冷启动。改为 GraphSAGE 后，模型通过聚合邻居特征，可为未见过的账户实时生成表示，实现了归纳式推理。这正是图嵌入与 GNN 的关键差异。
总结来看，图嵌入提供节点表示的起点，图神经网络通过消息传递与聚合机制实现端到端表示学习，而归纳偏置决定了模型为何能在金融关系网络上有效泛化。理解这六个概念之间的逻辑关系，是后续搭建金融图模型、调参与排障的基础。