消息传递机制：聚合函数与更新函数归纳总结
消息传递是图神经网络的灵魂。你想想看，每个节点凭什么知道它邻居的信息？就是靠「发消息—收消息—更新自己」这套流程。GraphSAGE 用了一个很聪明的做法：固定邻居采样 + 可学习的聚合操作。这一章我把核心的聚合函数和更新函数给你掰开揉碎了讲。
消息传递的标准范式
一个标准的消息传递步骤分三步：
- 发送——每个节点把自己的特征打包成消息，传给邻居。
- 聚合——中心节点把收到的邻居消息合并成一个向量。
- 更新——中心节点用自己的旧特征和聚合后的邻居信息，生成新特征。
用公式写出来就是：
h_v^{(k+1)} = UPDATE( h_v^{(k)}, AGGREGATE( { h_u^{(k)}, ∀u ∈ N(v) } ) )其中 N(v) 是采样后的邻居。嗯，这里要注意：采样数量 S 直接影响性能。我在项目里踩过坑——采样太大会炸显存，采样太小邻居信息不足。后面分箱章节会专门讲怎么调这个 S。
聚合函数对比
GraphSAGE 原生提供三种聚合方式，后来又有人加入了注意力机制。我把它们放在一个表格里，你一眼就能看出差异：
| 聚合函数 | 核心操作 | 特点 | 适用场景 |
|---|---|---|---|
| Mean 聚合 | 邻居特征逐元素求平均 | 平滑、稳定，但会模糊节点差异 | 同质图、规整结构 |
| Max 聚合 | 邻居特征逐元素取最大值 | 捕捉最显著特征，对离群值敏感 | 节点有强烈信号节点时 |
| Sum 聚合 | 邻居特征逐元素求和 | 保留度信息，受度数影响大 | 度数变化很大的图 |
| Attention 聚合 | 带权求和，权重由学习得到 | 灵活、可解释性强，计算稍大 | 异质图、稀疏图 |
为什么你要关注这个？因为聚合函数选不对，后面分箱调优的效果会被压制。我记得有一次做论文实验，用 Mean 聚合搞了一个社交网络节点分类，结果两个本来差异很大的用户特征被平均成了一团浆糊。换成 Max 聚合，准确率直接涨了 6%，你说这东西重不重要？
更新函数详解
聚合完邻居信息后，要把旧特征和聚合结果融合起来。GraphSAGE 的更新函数很简洁：
h_v^{(k+1)} = σ( W · CONCAT( h_v^{(k)}, agg_neigh ) + b )说白了就是把旧特征和聚合特征拼起来，过一层全连接 + 非线性激活。这个 CONCAT 操作是关键——它保留了自身信息。如果去掉 CONCAT，只传聚合结果，那节点会丢失自己独有的信号。我在一个推荐系统项目里试过，去掉 CONCAT 后冷启动物品的表征完全崩了，因为新物品邻居很少，聚合信息弱，全靠自身特征扛着。
除了标准 CONCAT，也有其他变体：
- 门控更新（GRU 风格）——把旧特征当隐状态，聚合结果当输入，适合序列化处理多层网络。
- 残差连接——直接把旧特征和更新后的特征相加，缓解过平滑。
- 跳跃连接——把每一层的特征都拼到最后，类似 DenseNet。
不过 GraphSAGE 原作者推荐的就是 CONCAT + 全连接。我建议你初期先用这个，别搞花里胡哨的。调精了再说。
消息传递的全景图
下面这张 SVG 图是对整个消息传递流程的可视化。中心节点（蓝色）从采样到的邻居节点（绿色）接收消息，经过聚合函数融合，再与自身特征拼接，最后通过更新网络输出新特征。箭头上的标注说明了每一步的操作。
你看，从邻居节点发消息，到聚合，再到融合自身特征，最后更新——每一步都清晰。实际编码时，你只需要把采样数据喂进 SAGEConv 层就行了，PyG 帮你干了所有事。但理解这背后的逻辑，对你后面调分箱参数非常有帮助。
消息传递中的常见问题
我从业三年，在消息传递上遇到最多的坑有三个：
- 过平滑——层数越多，所有节点特征越趋同。解决方案：减少层数、加残差、用跳跃连接。
- 邻居采样不稳定——每次采样不同邻居导致模型抖动。我建议设随机种子，或者用固定序采样。
- 聚合函数对度数敏感——度数高的节点聚合特征幅度大，影响更新。可对聚合结果做 LayerNorm 缓解。
小结
消息传递机制你只要记住三句话：
- 聚合函数决定邻居信息的「浓缩方式」——平均、最大、求和还是加权。
- 更新函数决定「如何融合」自身与邻居——关键在拼接操作。
- 采样策略是效率与效果的权衡——之后分箱章节会展开讲。
好了，这一章就到这里。你动手写一个 SAGEConv 的 demo 练练手，把不同聚合函数都换一遍，观察输出差异。光看没用，敲一遍代码才是自己的。