📚 课程目录第3章负采样入门

3. 负采样入门

在图神经网络中，负采样（Negative Sampling）是指在训练时，从图中构造“不存在的边”作为负样本，与真实存在的正样本边一起参与模型优化。它的本质是把链接预测问题转化为二分类问题：模型需要学会区分“真实存在的连接”和“随机虚构的连接”。在金融图场景中，负采样质量直接决定了模型能否学到有判别力的节点表示。

核心定义：给定正样本集合 E⁺（真实边），负采样按某种分布 P 从候选节点对中抽取 E⁻（虚构边），使训练目标最大化正样本得分、最小化负样本得分。

一、为什么需要负采样

如果只用正样本训练，模型会退化为“把所有节点对都预测为存在边”，无法学到区分能力。负采样的作用体现在三个层面：

提供对比信号：模型通过“正样本得分应高于负样本”的排序损失获得梯度，形成有判别力的嵌入空间。
控制计算成本：全图节点对数量为 O(N²)，对百万级金融账户图不可行；负采样把每轮训练规模压缩到可控范围。
缓解类别不平衡：金融图中正样本（如真实交易、担保关系）占比极低，负采样可主动调节正负比例。

二、随机负采样与全图负采样的区别

随机负采样从全图节点中均匀或按度分布抽取节点对，实现简单、开销低，但容易产生“简单负样本”——例如两个相距很远、行业完全无关的账户，模型很容易区分，梯度贡献小。全图负采样（也称全局负采样）则在每轮训练中考虑更大范围的候选集，甚至遍历全部节点对进行打分，能挖掘出更难的负样本，但计算代价高。

对比维度	随机负采样	全图负采样
候选范围	随机抽取少量节点对	全图或大规模候选集
计算开销	低，适合大规模图	高，需分布式或近似检索
负样本难度	偏简单，易被模型快速区分	可包含困难负样本
训练稳定性	高，但收敛可能较慢	梯度信号强，但易受噪声影响
金融适用性	适合冷启动、粗筛阶段	适合精排、风险区分阶段

三、金融场景下的采样约束

金融图与通用社交图的最大差异在于：负样本不能随意虚构。一条“不存在的边”在业务上可能只是“尚未观测到”，而非“真实不存在”。因此负采样必须引入业务约束。

时间约束：负样本的构造不能使用未来信息。例如用 2023 年数据训练时，不能把 2024 年才发生的交易关系当作负样本依据。
合规与隐私约束：负样本中不能引入受保护属性（如地域、性别）导致的歧视性关联，需做公平性审查。
业务可行性约束：两个账户之间若存在潜在但未记录的关系（如线下担保），不应简单标为负样本，否则会引入标签噪声。
度分布约束：金融图通常幂律分布明显，高度节点应避免被过度采样为负样本，否则模型会偏向“抑制热门节点”。

常见误区：直接把“未观测到的边”全部当作负样本。在金融风控中，未观测可能意味着数据缺失、渠道未覆盖或关系尚未发生，而非真实负例。这种“假负例”会显著降低模型召回。

四、方法流程与参数示例

一个可落地的金融图负采样流程通常包含：候选生成 → 业务过滤 → 难度评估 → 采样比例控制。以下是一个基于配置的采样参数示例：

negative_sampling:
  strategy: "mixed"          # random + hard
  num_neg_per_pos: 5         # 每个正样本配5个负样本
  hard_ratio: 0.4            # 40%为困难负样本
  time_window_days: 30       # 仅使用窗口内可观测关系
  exclude_same_community: true
  max_degree_percentile: 95  # 高度节点不作为负样本源
  seed: 42

执行日志示例：

[INFO] positive edges: 128,430
[INFO] candidate negatives generated: 642,150
[INFO] filtered by time constraint: 71,204 removed
[INFO] filtered by community rule: 38,915 removed
[INFO] final negatives: 532,031
[INFO] pos/neg ratio = 1 : 4.14

实践建议：在金融图项目中，先用随机负采样快速验证模型可行性，再逐步引入困难负样本和业务过滤规则。每增加一类约束，都应重新评估验证集上的 AUC 与 Recall@K，避免约束过强导致负样本分布偏离真实业务分布。

五、复盘：负采样不是“越多越好”

负样本数量并非越多越好。过多的简单负样本会稀释梯度，使模型对困难样本不敏感；过少的负样本则容易过拟合正样本。金融场景中，建议从 1:3 到 1:10 的正负比开始调参，并结合困难负样本挖掘（如基于嵌入相似度的近似最近邻检索）逐步提升判别边界。最终目标是让模型学到的嵌入空间，既能区分明显无关的账户，也能识别出“看似无关但风险关联”的隐蔽关系。