3. 图神经网络入门
在金融风控与反欺诈场景中，数据天然具有图结构：用户、设备、银行卡、手机号、商户、IP 地址都是节点，转账、登录、绑定、共享设备等行为构成边。传统模型把每条样本当作独立记录，容易忽略“团伙作案”的关联信号；而图神经网络（GNN）通过消息传递机制让节点聚合邻居信息，从而捕捉多跳关联模式。本节聚焦三种最常用的 GNN 架构：GCN、GAT 与 GraphSAGE，理解它们的原理差异，是后续使用 GNNExplainer 做可解释性分析的基础。
一、核心原理：消息传递是共同骨架
无论 GCN、GAT 还是 GraphSAGE，都可以抽象为“聚合—更新”两阶段。对节点 v，第 k 层先收集邻居特征，再与自身特征融合，得到新的表示：
h_v^(k) = UPDATE( h_v^(k-1), AGGREGATE({ h_u^(k-1) : u ∈ N(v) }) )区别在于：GCN 使用归一化邻接矩阵，把邻居聚合写成谱域卷积的近似，权重由度决定；GAT 引入注意力系数，让不同邻居拥有不同权重；GraphSAGE 则把聚合函数与采样机制解耦，支持归纳式学习。三者的差异直接决定了它们在金融图上的适用性。
二、方法流程：从建图到训练
在金融风控中落地 GNN，通常遵循以下流程：
- 图构建：以用户、设备、卡号、商户为节点，以转账、登录、绑定、共享设备为边，边可带时间戳与金额权重。
- 特征工程：节点特征包括年龄、注册时长、历史交易统计；边特征包括交易频次、金额、时间间隔。
- 模型选择：同质关系强时用 GCN；邻居重要性差异大时用 GAT；需要对新用户实时推理时用 GraphSAGE。
- 训练与评估：以欺诈标签做半监督或监督训练，评估指标关注 AUC、KS、召回率与误报率。
- 解释与归因：用 GNNExplainer 找出对预测贡献最大的子图与节点特征，支撑风控策略与人工审核。
关键点：GNN 的价值不在于替代规则，而在于把“孤立样本”升级为“关联网络”。一个用户本身行为正常，但其共享设备关联到多个已知欺诈账户，GNN 能通过两跳邻居聚合捕捉到这一风险信号。
三、金融风控与反欺诈场景
三类模型在金融场景中的典型用法如下表所示：
| 模型 | 聚合方式 | 金融场景 | 优势 | 注意点 |
|---|---|---|---|---|
| GCN | 度归一化加权平均 | 团伙欺诈识别、担保圈风险 | 结构简单、训练稳定 | 对高度数节点敏感，易过平滑 |
| GAT | 注意力加权聚合 | 可疑交易对手识别、设备关联 | 可区分邻居重要性 | 注意力头数与计算成本需权衡 |
| GraphSAGE | 采样 + 聚合函数 | 新用户冷启动、实时反欺诈 | 归纳式、可扩展 | 采样策略影响方差与稳定性 |
例如在反欺诈中，GAT 可以给“同一设备登录”的邻居更高注意力权重，而给“同一城市”这类弱关联更低权重；GraphSAGE 则能在新用户注册后，仅凭少量邻居快速生成嵌入，用于实时拦截。
四、误区与复盘
- 误区一：图越大越好。 金融图噪声多，盲目加入弱关系会稀释信号，应先做边过滤与社区划分。
- 误区二：忽略时间维度。 欺诈团伙关系随时间演化，静态图会丢失“先后顺序”这一关键证据。
- 误区三：只看准确率。 风控场景误报成本高，需结合业务阈值与人工审核容量综合评估。
- 误区四：模型不可解释。 监管与业务方需要知道“为什么判定为欺诈”，这正是 GNNExplainer 要解决的问题。
复盘建议：先用 GCN 建立基线，再用 GAT 验证邻居权重是否带来提升，最后用 GraphSAGE 解决新节点推理。每一步都保留可解释性子图，便于后续章节用 GNNExplainer 做归因分析。
注意：GNN 训练依赖高质量图结构。若边关系存在大量缺失或错误，模型可能学到虚假关联。上线前应做边采样稳定性测试与跨时间验证。
理解 GCN、GAT 与 GraphSAGE 的消息传递差异，是构建金融图模型的第一步。只有先明确“邻居如何聚合、权重如何分配、新节点如何推理”，才能在后续可解释性分析中准确判断模型到底关注了哪些节点与边。