4. 图神经网络核心原理
在金融图模型 Serving 与在线推理的工程链路中，模型结构决定了特征聚合方式、邻居采样策略以及推理时的计算图形态。理解 GCN、GraphSAGE、GAT 三类主流图神经网络的原理差异，是后续做模型选型、图存储设计和在线推理优化的前提。本节从消息传递这一统一视角出发，拆解三种模型的聚合机制、参数规模与适用边界。
一、统一视角：图神经网络都是消息传递
绝大多数图神经网络都可以归入“消息传递”框架：每个节点在第 k 层，先接收邻居节点传来的消息，再对消息做聚合，最后与自身表示融合并经过非线性变换，得到新的节点表示。用公式概括为：
h_v^(k) = UPDATE( h_v^(k-1), AGGREGATE( { MSG(h_u^(k-1)) | u ∈ N(v) } ) )三类模型的差异，本质上就落在三个设计选择上：聚合函数怎么选、是否区分邻居权重、是否采样邻居。这三者直接决定了模型的表达能力、参数量和在线推理时的邻居爆炸风险。
二、三类模型的核心原理拆解
GCN（图卷积网络）从谱图理论出发，用一阶切比雪夫多项式近似图卷积，最终化简为对归一化邻接矩阵的线性变换。它的聚合是“对称归一化加权平均”，权重由两端节点度数决定。GCN 的优点是结构简单、参数少、训练稳定；缺点是依赖全图邻接矩阵，属于直推式学习，新节点加入需要重新训练或做近似推断。
GraphSAGE的核心创新是“采样 + 聚合”。它不再使用全图邻接矩阵，而是对每个目标节点固定采样 K 个邻居，再用可学习的聚合函数（Mean、LSTM、Pooling）生成邻居表示。由于聚合函数是参数化的、与具体节点无关，GraphSAGE 天然支持归纳式学习，新节点只需采样其邻居即可推理。这一特性对金融场景中不断新增的账户、商户、设备节点非常关键。
GAT（图注意力网络）引入注意力机制，为每条边学习一个注意力系数 α_ij，表示邻居 u 对节点 v 的重要程度。注意力系数经过 LeakyReLU 和 Softmax 归一化，并支持多头并行。GAT 的表达能力最强，还能输出邻居重要性用于风控解释；代价是参数量和计算量显著上升，在线推理时注意力计算会成为延迟瓶颈。
三、方法流程与关键参数
以 GraphSAGE 为例，一次前向传播的流程如下：
- 从目标节点出发，按层采样邻居，第 1 层采 K1 个，第 2 层对每个邻居再采 K2 个，形成固定大小的计算图。
- 从最外层邻居开始，逐层向上聚合，每层调用聚合函数生成中间表示。
- 将聚合结果与上一层自身表示拼接，经过线性层与激活函数，得到本层输出。
- 重复至最后一层，输出节点嵌入，送入下游分类或回归头。
在线推理时，采样规模直接决定计算图大小。常用配置如下：
# GraphSAGE 在线推理采样配置示例
num_layers: 2
sample_sizes: [10, 5] # 第1层采10个，第2层每个再采5个
aggregator: mean
hidden_dim: 128
batch_size: 512
# 单节点最大计算图规模 = 1 + 10 + 10*5 = 61 个节点| 模型 | 聚合方式 | 是否采样 | 归纳能力 | 参数量 | 典型金融场景 |
|---|---|---|---|---|---|
| GCN | 归一化加权平均 | 否 | 弱（直推式） | 小 | 静态企业股权关系图 |
| GraphSAGE | Mean/LSTM/Pool | 是 | 强 | 中 | 实时交易反欺诈、新增账户识别 |
| GAT | 注意力加权 | 可选 | 强 | 大 | 可疑团伙挖掘、邻居可解释风控 |
四、案例场景与常见误区复盘
在某支付反欺诈场景中，团队最初使用 GCN 对商户—用户二部图建模，离线 AUC 表现良好，但上线后遇到两个问题：一是每天新增商户无法直接推理，只能等 T+1 全量重训；二是全图邻接矩阵在千万级节点下显存吃紧。切换到 GraphSAGE 后，通过固定采样 [15, 10] 将单节点计算图控制在 166 个节点以内，新商户当天即可推理，P99 延迟从 320ms 降到 45ms。