1. 课程导论：GraphSAGE模型简介、上线与收益评估的重要性
1.1 什么是GraphSAGE？
GraphSAGE（Graph Sample and Aggregation）是一种面向大规模图数据的归纳式（Inductive）表示学习框架。与直推式（Transductive）方法（如GCN）不同，GraphSAGE不依赖全图结构，而是通过采样邻居和聚合特征的方式，为未见过的节点生成嵌入向量。这一特性使其天然适合工业级动态图场景。
核心创新点： 归纳式学习 + 可扩展的邻居采样 + 灵活的聚合函数（Mean / LSTM / Pooling）。
GraphSAGE的训练过程可概括为三个步骤：
- 邻居采样： 对每个目标节点，固定采样其k阶邻居（如k=2，每阶采样S个邻居），控制计算子图规模。
- 特征聚合： 使用聚合函数将邻居特征融合到目标节点，更新节点表示。
- 损失优化： 通过无监督（负采样）或有监督（分类/回归）损失更新模型参数。
1.2 模型上线与收益评估的重要性
在工业场景中，GraphSAGE模型从实验环境到生产系统的上线过程，以及上线后的收益量化，是决定项目成败的关键环节。仅关注离线AUC而忽视在线效果，往往导致模型在真实流量中失效。
| 阶段 | 核心挑战 | 典型问题 |
|---|---|---|
| 模型上线 | 推理延迟、特征一致性、采样效率 | 邻居采样耗时过长；离线/在线特征不一致导致效果回退 |
| A/B实验 | 流量分割、指标选择、统计显著性 | 实验周期不足；核心指标（如CTR/CVR）波动被忽略 |
| 收益评估 | 业务指标归因、长期收益量化 | 短期指标提升但用户留存下降；无法区分模型收益与自然增长 |
常见误区： 仅关注离线AUC提升，忽略在线推理延迟和特征对齐。GraphSAGE的邻居采样在线上可能成为瓶颈，需提前做采样缓存或图分区优化。
1.3 课程目标与学习路径
本课程旨在帮助学员掌握GraphSAGE模型从训练完成到生产部署、再到收益量化的完整方法论。课程不重复基础图神经网络原理，而是聚焦工业落地中的工程与评估难题。
1.4 课程适用人群与前置知识
- 目标学员： 推荐系统/广告/搜索领域的算法工程师、MLOps工程师、技术负责人。
- 前置要求： 熟悉Python、PyTorch/TensorFlow基础；了解图神经网络基本概念（GCN、GAT）；有基本的A/B实验知识。
- 学习产出： 能够独立完成GraphSAGE模型的线上部署、设计A/B实验方案、量化模型业务收益并撰写评估报告。
学习建议： 本课程每章均配有可运行的代码示例和配置文件。建议在本地或云环境搭建实验环境，边学边练。重点关注第5章（采样优化）和第8章（收益归因），这两章是工业落地的核心难点。