1. 图神经网络概述：深度学习与图数据的交汇

1.1 从深度学习到图数据：为什么要学 GNN？

深度学习这些年横扫了图像、语音、文本。但**图数据**是个例外——社交关系、分子结构、知识图谱，这些数据天生就不是规整的网格或序列。你用 CNN 或 RNN 去处理图，就像拿梳子去梳一团乱麻，根本使不上劲。

我最早接触 GNN，是因为一个推荐系统项目。用户和商品之间是交互关系，天然就是图。我当时尝试把用户向量拼接后扔进 MLP，效果惨不忍睹。后来换成图神经网络，第一次跑通时，AUC 直接涨了 5 个点。说白了，图数据需要图专用的神经网络，这就是 GNN 存在的理由。

你可能会问：为什么不直接提取特征，比如用图论指标（度、聚类系数）喂给传统模型？嗯，可以，但人工特征有限，而且丢失了图的结构信息。GNN 能自动学习节点、边甚至全图的表示，这才是真正的端到端。

一句话总结：图神经网络 = 深度学习 + 图结构。它让模型“看懂”关系。

1.2 图论基础回顾

别慌，我带你快速过一遍。图论在大学可能学过，但这里只捡 GNN 最常用的概念讲。

  • 节点：图里的基本单元，比如用户、原子、论文。
  • 边：节点之间的连接，可以是无向/有向、加权/无权。
  • 邻接矩阵 A：n×n 矩阵，A[i][j]=1 表示 i 和 j 有边。我记得第一次处理百万节点图时，A 直接占了几个 G 内存，不得不换稀疏格式。
  • 度矩阵 D：对角矩阵，D[i][i] = sum(A[i])。
  • 特征矩阵 X：n×d，每个节点有 d 维特征，比如用户年龄、性别。

为了让你直观理解，我整理了一张表，对比图、图像和序列数据：

数据形式结构传统模型GNN 的优势
图像欧几里得网格CNN不需要，因为 CNN 已经自带局部感受野
文本/序列线性排列RNN / Transformer图有分支，序列模型处理不了环
社交网络/分子任意拓扑手工特征 + MLP自动学习邻居聚合，适应不同结构
核心观念：图是非欧几里得数据，邻居数量和顺序都不固定。GNN 通过“消息传递”统一处理这种不规整性。

1.3 GNN 的核心思想：消息传递

GNN 为什么能工作？因为它反复做一件事——消息传递。每个节点汇集邻居的信息，更新自己的表示，多次迭代后全图信息交融。

你可以把它想象成一个“八卦扩散”过程：每个人听听隔壁邻居说了啥，再结合自己的信息更新一下，几轮后整个社区都知道发生了什么。我曾经把消息传递层数从 2 层加到 5 层，结果节点表示过于平滑，所有节点变得一模一样——这就是著名的“过平滑”问题。后面我会专门讲怎么躲坑。

消息传递的伪代码大致是这样：

for each layer in L:
    for each node v:
        # 聚合邻居消息
        m_v = aggregate({h_u for u in N(v)})
        # 更新节点表示
        h_v = update(h_v, m_v)

实际实现中，aggregate 可以是 sum、mean、max 或更复杂的注意力机制；update 通常是一个 MLP + 非线性。别小看这简单循环，正是它支撑起了推荐、分子、社交等各类任务。

避坑提醒：邻居数量差异大时，sum 聚合容易偏向高度节点。我曾在社交网络项目里用 sum，结果头部大 V 的表示被自己的度数淹没。换成 mean 或归一化后才稳定。

1.4 应用场景

我挑三个最典型的场景展开说说，你在课程后面会反复碰到。

推荐系统

用户和物品构成二部图。GNN 学习用户偏好和物品属性，再预测边（是否交互）。

  • 协同过滤：只利用交互矩阵，GNN 做节点 Embedding。
  • 社交推荐：加入用户好友关系，GNN 同时聚合社交邻居和物品邻居。
  • 我参与过一个电商推荐，使用 LightGCN（一种简化 GCN），离线 HR@10 提升 8%，线上点击率升 12%。

分子性质预测

原子是节点，化学键是边。任务：预测分子是否有毒性、溶解性等。

  • 图级别任务：整图分类或回归。
  • GNN 自动从原子类型、键长等特征出发，揉合出分子指纹。
  • 我曾经用 GIN（图同构网络）在 MoleculeNet 上做分类，比传统分子指纹（ECFP）准确率高 15 个百分点。注意：数据量小的时候 GNN 容易过拟合，我用了几何增强才压住。

社交网络分析

节点分类（预测用户兴趣）、链接预测（推荐好友）、社区检测。

  • 比如预测某个用户是否会被广告转化，GNN 利用他的社交圈信息。
  • 链接预测常用：编码器（GNN）输出节点嵌入，解码器（点积）预测边存在概率。
  • 坑：正负样本极度不平衡。我一般用负采样 + 加权损失来训练。

下图把本章的知识脉络串起来，你可以当思维导图用：

图神经网络特征提取：第1章知识体系 深度学习 图数据（非欧几里得） 图论基础（节点/边/邻接矩阵） 消息传递（聚合+更新） 推荐系统（二部图/协同） 分子性质预测（图分类） 社交网络分析（节点/边） GNN 的关键：把深度学习拓展到图结构 通过消息传递学习节点嵌入，再适配不同任务（节点/边/图级别）

这张图你看一遍就行：深度学习是底座，图数据和图论是输入基础，消息传递是引擎，最终落地三个场景。后面的章节会逐一深入每个技术细节。

← 上一章 📖 返回目录 下一章 →