GraphSAGE 模型详解：采样、聚合、更新、损失函数

这一章咱们直接走进 GraphSAGE 的核心。说实话，我刚接触图神经网络那会儿，对采样和聚合的理解特别模糊，总觉着不就是把邻居信息平均一下吗？后来在反欺诈项目里踩了几个坑才发现——每一步都藏着门道。下面我按四个模块来拆解：采样、聚合、更新、损失函数。你跟着走一遍，基本就能自己搭一个 GraphSAGE 了。

1. 采样（Sampling）——给每个节点找个“固定朋友圈”

图数据里，节点的邻居数可能差别很大。有的节点几千个邻居，有的就两三个。直接全量聚合，计算量扛不住，也无意义。GraphSAGE 的做法是：固定采样大小，比如每次只采样 K 个邻居。

怎么采？可以均匀随机采样，也可以按权重采样。我个人习惯在反欺诈场景里用均匀随机采样——因为欺诈团伙的图结构往往有隐蔽性，权重容易误导。我记得有一次，一个正常用户的邻居分布和欺诈用户几乎一样，但欺诈用户某个可疑邻居的边权特别大，如果按权重采样，很容易漏掉关键信息。

2. 聚合（Aggregation）——怎么把邻居信息揉在一起

采样完邻居，下一步就是把一群邻居的特征聚合成一个固定长度的向量。GraphSAGE 提供了三种聚合函数，各有各的脾气。

聚合方式	原理	特点	反欺诈适用性
Mean 聚合	对邻居特征取均值	简单高效，对噪声不敏感	高，适合大多数场景
LSTM 聚合	对邻居序列做 LSTM	能捕捉顺序关系，但需要排序	中等，需额外排序开销
Pooling 聚合	先对每个邻居做 MLP，再取 max/mean	表达能力更强，计算量稍大	较高，适合复杂关系

我在一个团伙欺诈挖掘项目里用过 Pooling 聚合。当时团伙的节点之间交互模式很相似，均值聚合把重要信号都平滑掉了，换成 Pooling 后召回率提升了 12 个百分点。所以别小看这个选择，说白了就是“信息取舍”。

3. 更新（Update）——把邻居和自身融合

聚合完邻居信息 h_N(v)，下一步要跟节点自己的特征 h_v 融合，生成新的表示。标准做法是：

h_v_new = σ( W · concat( h_v , h_N(v) ) )

或者简单点：

h_v_new = σ( W1 · h_v + W2 · h_N(v) )

这个 σ 通常是 ReLU 或 Sigmoid。我个人习惯先用 concat，因为保留的原始信息更完整。你想想看，如果直接相加，可能把自身特征的重要维度压扁了。

4. 损失函数（Loss Function）——模型学得好不好的裁判

GraphSAGE 支持两类损失：无监督损失和有监督损失。反欺诈里两者常常混合使用。

• 无监督损失：基于图结构，让临近节点表示接近，远隔节点表示远离。公式类似负采样：

L = -log( σ( z_v · z_u ) ) - Q · E[ log( σ( - z_v · z_n ) ) ]

其中 u 是 v 的邻居，n 是负采样节点，Q 是负样本数量。我在社交网络欺诈识别中用过这个，效果还不错，但要注意负样本要随机，别跟训练集有重叠。

• 有监督损失：直接用标签做交叉熵或均方误差。反欺诈通常用交叉熵，因为是个二分类问题。

整体流程一览

下面这张图把采样、聚合、更新、损失串联起来了。你看一遍就能在脑子里跑通一个完整的 GraphSAGE 前向。