📚 课程目录第4章 GraphSAGE核心原理

4. GraphSAGE 核心原理：采样邻居节点、聚合函数与节点嵌入生成

GraphSAGE（Graph SAmple and aggreGatE）是面向大规模图数据的归纳式（Inductive）表示学习框架。与 Transductive 方法（如 GCN）不同，GraphSAGE 不依赖全图拉普拉斯矩阵，而是通过 采样邻居 + 聚合函数 生成目标节点的嵌入，天然适配实时推理场景。

4.1 采样邻居节点：固定大小、局部感知

GraphSAGE 的核心思想是：每个节点的最终嵌入由其局部邻域结构决定。为避免全图遍历，算法对每个节点的邻居进行 固定大小采样。

  采样策略要点：
  固定采样数 K：对每个节点，从其一阶邻居中随机采样 K 个节点（若邻居数不足 K，则重复采样；若超过 K，则随机抽取）。
多层采样：第 1 层采样一阶邻居，第 2 层采样一阶邻居的邻居（二阶），以此类推。层数 L 决定了感受野半径。
计算复杂度可控：每层采样数固定，总计算量 O(L × K)，不随图规模增长而爆炸。

实时推理启示： 在欺诈评分接口中，每次请求只需对目标节点（如当前交易用户）进行局部采样，无需加载全图邻接矩阵，响应时间可控制在毫秒级。

4.2 聚合函数：Mean / LSTM / Pooling

采样完成后，GraphSAGE 使用聚合函数将邻居信息融合到目标节点。不同聚合函数适用于不同图结构特征：

聚合函数	计算方式	适用场景	实时推理性能
Mean Aggregator	对邻居节点特征逐元素取均值	同质图、邻居特征分布均匀	最快（O(d)）
LSTM Aggregator	将邻居序列输入 LSTM，取最后隐状态	序列化邻居、时序图	较慢（需排序+RNN）
Pooling Aggregator	对每个邻居做 MLP + 逐元素 max/mean pooling	异质图、邻居特征差异大	中等（O(d × K)）

工程选型建议： 在实时欺诈评分接口中，优先选择 Mean Aggregator 或 Pooling Aggregator。LSTM 聚合器因序列依赖和 RNN 计算开销，通常只在交易时序特征明显的场景下使用。

4.3 节点嵌入生成：前向传播过程

GraphSAGE 的前向传播是一个 逐层聚合-更新 的迭代过程。以 2 层 GraphSAGE 为例：

初始化：每个节点 v 的初始特征 h_v⁽⁰⁾ = x_v（原始特征向量）。
第 1 层（k=1）：对每个节点 v，聚合其一阶邻居特征 → h_N(v)⁽¹⁾，再与自身特征拼接 → h_v⁽¹⁾。
第 2 层（k=2）：对每个节点 v，聚合其一阶邻居的 第 1 层输出 → h_N(v)⁽²⁾，再更新 → h_v⁽²⁾。
输出：h_v⁽²⁾ 即为节点 v 的最终嵌入向量 z_v。

# GraphSAGE 前向传播伪代码（2层）
def forward(graph, features, weights, K=3):
    h = {v: features[v] for v in graph.nodes}  # h^(0)
    for layer in [1, 2]:
        h_next = {}
        for v in graph.nodes:
            # 1. 采样邻居
            neighbors = sample_neighbors(graph, v, K)
            # 2. 聚合邻居特征
            h_neigh = aggregate(h, neighbors, weights[layer]['agg'])
            # 3. 拼接 + 非线性变换
            h_combined = concat(h[v], h_neigh)
            h_next[v] = relu(weights[layer]['fc'] @ h_combined + bias[layer])
        h = h_next
    return h  # 最终嵌入 z_v = h[v]

4.4 无监督学习与有监督学习

GraphSAGE 支持两种训练范式，分别适用于不同的欺诈检测场景：

训练方式	损失函数	标签需求	典型欺诈场景
无监督学习	负采样 + 图结构损失（邻近节点嵌入相似，远距离节点嵌入相异）	无需标签	异常检测、冷启动用户、无标注历史数据
有监督学习	交叉熵损失（分类）或 MSE（回归）	需要节点级标签	已知欺诈样本、黑名单标注、规则辅助标注

  无监督损失函数公式：

  JG(zu) = -log(σ(zuᵀ zv)) - Q · 𝔼vn~Pn(v) log(σ(-zuᵀ zvn))

  其中 v 是 u 的邻居（正样本），vn 是负采样节点，Q 为负样本数量。

4.5 本章小结

采样邻居：固定大小 K 的局部采样，使计算复杂度与图规模解耦，是实时推理的基础。
聚合函数：Mean 适合同质图且性能最优；Pooling 适合异质图；LSTM 适合时序场景。
嵌入生成：逐层聚合-更新，最终输出节点低维稠密向量 z_v。
学习范式：无监督学习适用于冷启动和异常检测；有监督学习适用于标注充分的欺诈分类。