一、图神经网络概述

我们为什么要聊图神经网络？先讲个小故事。几年前我接手一个风控项目，特征都是用户的年龄、收入、消费金额这类“平铺”数据。用xgboost跑得很顺，但同事说：“你能把用户之间的转账关系加进去吗？”我把关系做成简单的统计量——比如“转账给多少人”，效果提升有限。后来我试着把所有用户和转账关系看作一张图，用图神经网络去学每个节点的向量，结果AUC直接跳了3个点。

嗯，这就是图神经网络的威力。它不只看“你是什么样的人”，还看“你跟谁有关系”。说白了，GNN就是让模型学会在图上做信息传递。

1.1 为什么需要图神经网络？

传统的神经网络处理的数据，假设样本之间是独立的。图像像素有固定网格，文本有序列结构。但现实世界很多数据天然是图结构——社交网络、分子结构、知识图谱、金融交易网络。你想想看，如果把用户之间的转账关系、好友关系硬塞到全连接层里，要么维度爆炸，要么丢失拓扑信息。

• 非欧几里得数据：图没有规则的空间结构，不能直接卷积。
• 节点关联性：每个节点的特征受邻居影响，传统模型无法捕捉这种依赖。
• 图规模大：动辄百万、亿级节点，需要高效的采样和聚合策略。

我自己最早接触图数据时，犯过一个错。我把邻居的所有特征直接拼接到原节点特征上，维度动辄几百甚至上千。后来我发现，这样既容易过拟合，又没法泛化到新节点。GraphSAGE提出的“采样+聚合”策略，恰恰解决了这个问题——我后面会详细讲。

1.2 图神经网络的核心思想

GNN的套路其实很清晰：每个节点都从它的邻居那里“收消息”，然后更新自己的特征。这个过程重复几轮，每个节点就获得了越来越远的“视野”。

举个简单的例子：假设每个用户有一个初始特征x（比如年龄、性别）。第一轮，用户A从邻居B、C那里收到他们的特征，通过某个函数（比如平均）混合成新的特征。第二轮，A又能从B的邻居D、E那里间接获得信息。如此反复，A的向量就包含了整个社区的信息。

用公式表达（别怕，我尽量口语化）：

h_v^(k+1) = σ( W · Aggregate( { h_u^(k), ∀u ∈ N(v) } ) )

其中：
h_v^(k) 表示节点v在第k层的特征
N(v) 是v的邻居集合
Aggregate 是聚合函数（比如mean、max）
W 是可学习的权重矩阵
σ 是激活函数

我个人习惯把聚合器看成“压缩邻居信息到固定大小的工具”。GraphSAGE最典型的三种聚合器：Mean、LSTM、Pooling，各有各的适用场景。

下面这个图展示了核心的聚合过程。看一遍，你就理解GNN是怎么“聊天”的了。

图里深蓝色的是目标节点v，绿色的是邻居u1、u2、u3。箭头表示消息从邻居流向v。经过聚合函数（橙色框），v更新为红色节点v'。

1.3 常见GNN变体

GNN家族有很多成员，我帮你整理一个表格，方便对比：

模型	聚合方式	适用场景	特点
GCN	归一化后的邻居特征平均	节点分类、链路预测	简单高效，对度差异敏感
GAT	注意力加权平均	异构、动态图	可以学习不同邻居权重
GraphSAGE	采样+Mean/LSTM/Pool	大规模图、归纳学习	支持新节点快速推理
GIN	MLP+求和	图级分类	理论上最强的图表达能力

看到没？GraphSAGE排第三行。它最大的优势是能处理完全没见过的节点——因为它不是针对某个固定图结构学习的，而是学了一个“如何从邻居那里聚合信息”的函数。这个特性在工业界特别有用，比如每天新增的用户、新商品，你不需要重训模型就可以拿到它们的向量。

1.4 应用场景与挑战

图神经网络已经在很多领域落地了。我挑几个最有代表性的：

• 推荐系统：把用户和商品看作节点，交互行为作为边。PinSage（借鉴GraphSAGE思想）用在Pinterest上，提效显著。
• 金融风控：交易网络中的异常检测、团伙欺诈识别。我曾经用GraphSAGE做特征衍生，把节点向量作为新特征加入LR模型，召回率提高了15%。
• 分子性质预测：原子是节点，化学键是边。GNN能预测分子是否有毒性或是否易溶解。
• 知识图谱推理：补全实体之间的关系。

当然，GNN也不是万能的。下面几个坑我在实际项目里踩过：

好了，这章就到这里。你心里应该对“为什么需要GNN”和“GNN大概怎么工作”有了个轮廓。下一章我们开始动手——我会带你从零搭建一个GraphSAGE的基线模型，并解决一个真实的分类问题。