1. 课程导入

欢迎进入《金融GNN节点分类与关系预测实战》。在正式动手写模型之前，我们需要先建立一张清晰的“认知地图”：这门课到底解决什么问题、用什么方法解决、最终能交付什么成果。金融数据天然具有关系属性——账户之间的转账、企业之间的担保、股票之间的联动、用户与商户之间的交易，这些关系构成了复杂的网络结构。传统机器学习把每个样本当作独立个体处理，而图神经网络（GNN）的核心思想正是让模型沿着关系边传播和聚合信息，从而同时利用“节点自身特征”和“邻居结构信息”。本课程的目标，就是带你从金融业务场景出发，完整走通节点分类与关系预测两条主线。

一、学习目标：从业务问题到可运行模型

本课程的学习目标分为四个层次，层层递进：

• 概念层：理解图、节点、边、邻接矩阵、特征矩阵、消息传递等基本概念，能判断一个金融问题是否适合建模为图问题。
• 方法层：掌握GCN、GraphSAGE、GAT等主流GNN的原理与差异，理解它们如何聚合邻居信息、如何处理归纳与直推场景。
• 工程层：能够使用PyTorch Geometric或DGL构建图数据管道，完成特征工程、负采样、训练循环、评估指标计算。
• 业务层：能够把节点分类映射为“风险账户识别”“企业信用评级”，把关系预测映射为“潜在关联交易发现”“团伙欺诈链路推断”。

二、核心价值：为什么金融场景需要GNN

金融风控、反欺诈、反洗钱、信用评估等场景中，最有效的信号往往不在单个节点上，而在关系网络中。例如，一个账户本身交易金额正常，但它与多个已知黑名单账户存在密集资金往来，这种“结构风险”只有图模型才能捕捉。GNN的核心价值体现在三点：

1. 关系传播：通过多层消息传递，节点可以间接感知多跳邻居的信息，发现隐蔽的团伙结构。
2. 特征融合：将节点属性（如年龄、交易频次）与图结构（如度中心性、社区归属）统一到同一表示空间。
3. 归纳能力：GraphSAGE等模型可以为训练时未见过的新节点生成嵌入，适应金融网络持续扩张的特点。

下面这张图展示了金融GNN的整体知识框架与实战项目的数据流关系，建议先建立全局印象，再进入后续章节的细节学习。

三、方法流程：一个金融GNN项目的标准动作

无论节点分类还是关系预测，工程流程都可以归纳为六个阶段。下面用一段伪代码展示核心训练循环的结构，后续章节会逐行展开。

# 金融GNN训练流程伪代码
data = load_financial_graph()          # 加载账户-交易图
data = build_features(data)            # 构造节点特征与边特征
train_loader, val_loader, test_loader = split_graph(data)

model = GraphSAGE(in_dim, hidden_dim, out_dim)
optimizer = Adam(model.parameters(), lr=0.001)

for epoch in range(200):
    model.train()
    for batch in train_loader:
        optimizer.zero_grad()
        out = model(batch.x, batch.edge_index)
        loss = cross_entropy(out, batch.y)
        loss.backward()
        optimizer.step()
    val_auc = evaluate(model, val_loader)
    print(f"Epoch {epoch:03d} | Loss {loss:.4f} | Val AUC {val_auc:.4f}")

四、案例与场景：从业务语言到图语言

为了让你快速建立“业务—图”的映射直觉，下表列出了常见金融场景与图建模要素的对应关系。

五、常见误区与复盘