📚 课程目录第1章图神经网络概述与发展

1. 图神经网络概述与发展归纳总结

如果你跟我一样，在深度学习领域摸爬滚打好几年，大概率会碰到这样的场景：数据明明是非欧几里得结构——分子、社交网络、知识图谱……但手头只有CNN、RNN这些“方方正正”的模型。硬塞进去，效果往往不尽如人意。

图神经网络（GNN）就是专门来解决这个问题的。说白了，它能直接在图结构上学习节点、边甚至整个图的表示。我这几年做分子性质预测和推荐系统，GNN 几乎成了标配。

  一句话总结：图神经网络是处理图数据（节点+边）的深度学习框架，核心思想是消息传递（Message Passing）。

1.1 为什么我们需要图神经网络？

先想一个问题：图像是网格，文本是序列。这些都是规则结构，卷积核、循环核天然匹配。但现实世界的数据，很多是结构化的——你可以把它想象成一张网，节点之间有各种关系。

举个例子，社交网络里的用户是节点，关注/点赞就是边。我们想知道用户可能对什么内容感兴趣。传统做法是手动提取特征（比如转发次数、关注人数），然后扔进XGBoost。但这种方法忽略了图结构本身蕴含的信息——比如某个用户的朋友圈都爱看某类视频，那该用户也很可能喜欢。

我印象很深有一次做风控项目，用GCN替换了原来的特征工程+LR管线，召回率直接提升了15%。原因很简单：图网络能建模“团伙欺诈”这种群体行为，而传统方法看不到。

数据类型	传统模型	GNN能做什么
图像（像素网格）	CNN	——
文本（序列）	RNN / Transformer	——
图（节点+边）	手工特征+传统ML	自动学习节点/边向量表示

1.2 图神经网络的发展脉络

GNN并不是一夜火起来的。从图论到深度学习，中间有好几个关键节点。我个人习惯把发展分成三个阶段：

早期探索（2005-2013）：图论+递归神经网络结合（Gori et al. 2005, Scarselli et al. 2009）。当时主要用循环结构处理有向无环图，计算效率是个大问题。
卷积化的突破（2013-2017）：Bruna等人把卷积推广到图谱域（ChebNet / GCN）。我记得2016年Kipf的GCN论文出来时，整个圈内都兴奋了——原来在图上做深度学习可以这么简洁。
百花齐放（2017至今）：GAT、GraphSAGE、GIN、MPNN……各种架构层出不穷；同时大规模训练技术（采样、分布式）也成熟起来。

个人体感：如果你现在要入门GNN，直接学GCN作为起点就够了——它把“邻居特征聚合+非线性”的核心机制讲得最清楚。

1.3 核心概念：消息传递

图神经网络虽然模型不一样，但底子都是消息传递机制（Message Passing）。你可以这么理解：每个节点先收集邻居的信息（消息），然后更新自己的隐藏状态。

我经常用一个简单的Python伪代码来帮团队理解：

def message_passing_round(node_features, edges):
    for node in all_nodes:
        neighbor_msgs = []
        for neighbor in graph.neighbors[node]:
            # 邻居特征经过线性变换+激活
            msg = linear_transform(node_features[neighbor])
            neighbor_msgs.append(msg)
        # 聚合（比如求和/均值）
        aggregated = sum(neighbor_msgs)
        # 更新节点特征（通常包含上一轮自己的特征）
        node_features[node] = update_fn(aggregated, node_features[node])
    return node_features

嗯，这里有个坑：聚合函数的选择直接影响表现。做节点分类时，sum 比 mean 对度分布更敏感；但如果是分子性质预测（比如溶解度），用 mean 反而更好。我在Kaggle一个竞赛上因为这个调了两天。

1.4 经典模型一览

模型	核心思路	适用场景
GCN	归一化的邻接矩阵 + 线性变换	直推式节点分类
GAT	注意力机制给邻居赋不同权重	异构图、有大度数节点
GraphSAGE	随机采样邻居 + 可扩展	大规模图、归纳式学习
GIN	理论上最强的图鉴别能力（WL测试）	图分类
MPNN	通用消息传递框架	分子性质预测（QM9）

我曾掉过的坑：GCN在小图上暴力全图训练没问题，但一旦节点超过10万，邻居的爆炸式增长会撑爆显存。这时必须换GraphSAGE或者ClusterGCN做子图采样。千万别死磕全图。

1.5 图神经网络的典型应用领域

说实话，GNN能用的地方远超你的想象。我随手列几个亲身参与过的项目：

分子与药物发现：原子=节点，化学键=边，预测分子性质（毒性、溶解度）。用GNN做虚拟筛选，比传统的分子指纹方法快10倍。
推荐系统：用户和商品构成二分图，GNN能挖掘高阶协同过滤（“某用户的邻居买了X，那么该用户也可能买X”）。
交通流量预测：传感器是节点，道路连接是边；GCN+时间序列是当前主流方案。
代码与程序分析：抽象语法树（AST）本身就是图，GNN可以做代码补全、漏洞检测。

1.6 当前的挑战

虽然GNN很火，但远远没到“完美”的地步。我认为有三座大山：

过平滑（Over-smoothing）：层数一多（超过3-4层），所有节点特征趋同，丧失了区分度。实践中GNN往往很浅。
扩展性：全图训练在工业级图上不现实（比如Facebook社交网络有几十亿节点）。采样与分布式训练是必选方案。
可解释性：GNN为什么给某个节点打出高分？目前主流方法是GNNExplainer或者注意力权重可视化，但效果仍不够稳定。

  我的建议：如果你要做实际落地的GNN工程，先把数据管道（图构建、特征工程、采样策略）搭好。模型反而是相对成熟的部分。这也是为什么本书后半部分要用Nextflow来编排管线。

1.7 本章知识图谱

下面这张SVG图把本章的核心内容串起来了——你可以把它当作一张“地图”，后续章节会逐一展开。

以上就是第1章的全部内容。从基本概念到典型应用，再到当前挑战，我们为后续的模型实现和管线搭建打好了理论基础。接下来，我会带着你一步步写代码、跑实验，把这些纸上的东西变成真正能用的Pipeline。