3. 图神经网络入门
在金融风控、反欺诈、关联交易识别等场景中，数据天然以图的形式存在：账户是节点，转账是边，担保关系是边，股权控制也是边。传统神经网络要求输入是规则网格（如图像）或序列（如文本），无法直接处理这种不规则、邻居数量不固定的结构。图神经网络（GNN）正是为解决这一问题而生。本节围绕图卷积、消息传递、聚合更新三条主线，讲清GCN、GraphSAGE、GAT的核心思想，为后续节点分类与关系预测实战打基础。
一、核心原理：图卷积与消息传递
图卷积的本质，是让每个节点从它的邻居那里“收集信息”，再与自身信息融合，从而学到包含局部结构语义的表示。这一过程被统一抽象为消息传递（Message Passing）框架，可拆成三步：
- 消息生成：对每条边，把源节点特征经过一个变换函数，生成要发送的消息。
- 消息聚合：目标节点把来自所有邻居的消息，用某种置换不变的操作（求和、均值、最大池化）合并成一个向量。
- 更新：把聚合结果与目标节点自身表示结合，经非线性激活，得到该节点的新表示。
用公式表达，第 k 层节点 v 的更新为：
m_v^(k) = AGGREGATE( { MESSAGE(h_u^(k-1), h_v^(k-1), e_uv) | u ∈ N(v) } )
h_v^(k) = UPDATE( h_v^(k-1), m_v^(k) )其中 N(v) 是 v 的邻居集合，e_uv 是边特征。堆叠 K 层，节点就能感知到 K 跳范围内的结构信息。这正是GNN能捕捉“资金经过多层账户流转”这类多跳关系的原理。
二、方法流程：三类经典GNN的差异
不同GNN的差别，主要在于“消息怎么算、聚合怎么做、权重是否随邻居变化”。下表对比三种核心模型：
| 模型 | 聚合方式 | 权重特点 | 核心思想 |
|---|---|---|---|
| GCN | 归一化加权求和 | 固定，由度矩阵决定 | 谱图卷积一阶近似，全图统一卷积核 |
| GraphSAGE | 采样后聚合（mean/pool/LSTM） | 可学习，与邻居无关 | 归纳式学习，支持新节点 |
| GAT | 注意力加权求和 | 注意力系数，逐边动态 | 邻居重要性自适应分配 |
GCN把图卷积简化为对邻居特征的加权平均，权重由节点度数归一化得到，公式为 H^(k) = σ(D̃^(-1/2) Ã D̃^(-1/2) H^(k-1) W^(k))。它简单高效，但要求训练时整张图可见，属于直推式学习。
GraphSAGE的关键创新是“采样+聚合”：对每个节点只随机采样固定数量的邻居，再聚合。这样既降低计算量，又让模型学到的是“如何聚合”的函数，而非绑定具体节点，因此能泛化到训练时没见过的新节点，适合金融场景中不断新增的账户。
GAT引入注意力机制，为每条边学习一个权重 α_uv，表示邻居 u 对 v 的重要程度。在反欺诈中，这意味着模型可以自动给“大额高频转账”的邻居更高权重，而忽略噪声邻居。
三、金融场景案例：账户节点分类
假设我们要判断一批企业账户是否为高风险账户。每个节点特征包括：注册资本、近30天交易笔数、平均交易金额、行业类别等；边表示转账关系。流程如下：
- 构建图：账户为节点，转账为边，边权可用交易金额或频次。
- 特征工程：节点特征标准化，边特征归一化。
- 模型选择：若图规模大且持续新增节点，优先GraphSAGE；若需解释邻居重要性，选GAT。
- 训练：用已知标签账户做监督，损失函数用交叉熵。
- 推理：输出每个账户的风险概率，用于人工复核或自动拦截。
四、误区与复盘
- 误区一：层数越多越好。堆叠过多层会导致过平滑，所有节点表示趋同。金融图通常2~3层足够，因为风险传播往往在有限跳数内。
- 误区二：忽略邻居采样。在超大图上直接全邻居聚合会显存爆炸，GraphSAGE的采样策略是必备工程手段。
- 误区三：把GNN当万能。如果图中孤立节点多、边稀疏，GNN效果可能不如XGBoost。应先做图结构诊断。
- 复盘要点：检查度分布是否长尾、是否存在大量自环、标签是否泄漏。这些都会直接影响节点分类与关系预测的可靠性。