3. GraphSAGE 原理：归纳式学习、采样策略与聚合器详解

GraphSAGE（Graph Sample and Aggregation）是斯坦福大学于 2017 年提出的归纳式（Inductive）图神经网络框架。与 GCN 等直推式（Transductive）模型不同，GraphSAGE 不依赖全图结构，而是通过“采样-聚合”机制，从局部邻居中学习节点表示。这一特性使其天然适合反欺诈场景中动态图、新节点频繁加入的工业环境。

3.1 核心思想：归纳式学习（Inductive Learning）

传统 GCN 在训练时需要全图的邻接矩阵和拉普拉斯矩阵，一旦图结构发生变化（如新增用户节点），模型必须重新训练。GraphSAGE 则通过训练一组“聚合函数”（Aggregator Functions），将节点的邻居特征聚合为固定维度的向量，从而泛化到未见过的节点。

3.2 采样策略：固定大小邻居采样（Neighbor Sampling）

GraphSAGE 的核心创新之一是“固定大小邻居采样”。由于真实图中节点的度分布极不均匀（如反欺诈图中的超级节点可能连接数万个邻居），直接聚合所有邻居会导致计算爆炸和过平滑。GraphSAGE 采用均匀采样，为每个节点固定采样 k 个邻居，若邻居数不足则重复采样，若超出则随机采样。

3.3 聚合器详解：Mean、LSTM、Pooling

GraphSAGE 提出了三种聚合器，用于将邻居特征集合转换为固定维度的向量。聚合器的选择直接影响模型对图结构的表达能力。

3.3.1 Mean 聚合器（均值聚合）

对邻居特征逐元素取均值，再与目标节点特征拼接后经过非线性变换。计算简单、参数少，适合大规模图。

h_v^(k) = σ( W · MEAN({ h_v^(k-1) } ∪ { h_u^(k-1), ∀u ∈ N(v) }) )

3.3.2 LSTM 聚合器

将邻居特征序列输入 LSTM，利用序列建模能力捕捉邻居间的顺序依赖。注意：LSTM 本身对输入顺序敏感，GraphSAGE 通过随机打乱邻居顺序来消除顺序偏差。

h_N(v)^(k) = LSTM( [h_u^(k-1), ∀u ∈ π(N(v))] )
h_v^(k) = σ( W · CONCAT( h_v^(k-1), h_N(v)^(k) ) )

3.3.3 Pooling 聚合器（最大/平均池化）

对每个邻居特征先经过一个全连接层，再应用逐元素 max-pooling（或 mean-pooling）。Pooling 聚合器对邻居顺序不敏感，且能学习到邻居特征的不同维度重要性。

h_N(v)^(k) = max({ σ( W_pool · h_u^(k-1) + b ), ∀u ∈ N(v) })
h_v^(k) = σ( W · CONCAT( h_v^(k-1), h_N(v)^(k) ) )

3.4 GraphSAGE 与 GCN 的核心区别

GCN 和 GraphSAGE 虽然都属于图神经网络，但在学习范式、聚合方式和计算效率上存在本质差异。下表从 6 个关键维度进行对比：

3.5 GraphSAGE 算法流程总结

1. 输入：图 G(V, E)，节点特征矩阵 X，深度 K，每层采样数 S₁, S₂, ..., S_K，聚合器 AGG_k，权重矩阵 W_k
2. 初始化：h_v⁽⁰⁾ = x_v，∀v ∈ V
3. 迭代：for k = 1 to K:
   • for v ∈ batch:
     • N_sample(v) = SAMPLE(N(v), S_k) // 固定大小采样
     • h_N(v)⁽ᵏ⁾ = AGG_k({ h_u⁽ᵏ⁻¹⁾, ∀u ∈ N_sample(v) }) // 聚合邻居
     • h_v⁽ᵏ⁾ = σ( W_k · CONCAT( h_v⁽ᵏ⁻¹⁾, h_N(v)⁽ᵏ⁾ ) ) // 拼接+变换
     • h_v⁽ᵏ⁾ = h_v⁽ᵏ⁾ / || h_v⁽ᵏ⁾ ||₂ // L2 归一化（可选）
4. 输出：节点表示 z_v = h_v⁽ᴷ⁾，∀v ∈ V