📚 课程目录第4章图神经网络基础

4. 图神经网络基础：消息传递机制、聚合函数、节点嵌入

图神经网络（GNN）的核心思想是让图中的每个节点通过与其邻居节点交换信息，来学习自身的特征表示。这一过程被称为消息传递。本章将深入剖析消息传递机制、聚合函数以及节点嵌入的核心原理，为后续实现GraphSAGE模型打下坚实的理论基础。

4.1 消息传递机制（Message Passing）

消息传递机制是GNN的“引擎”。它模拟了图中节点如何通过边与邻居进行通信，并更新自身的状态。一个完整的信息传递步骤通常包含三个子阶段：消息生成、消息聚合和状态更新。

    核心公式（单层消息传递）：

    h_v^{(k+1)} = UPDATE^{(k)}( h_v^{(k)}, AGGREGATE^{(k)}( { h_u^{(k)}, \forall u \in N(v) } ) )

    其中，h_v^{(k)} 表示节点 v 在第 k 层的特征向量，N(v) 是节点 v 的邻居集合。

下图展示了单个节点在一次消息传递过程中的完整生命周期：

关键理解：消息传递机制是“各向同性”的，即节点平等地对待所有邻居。这种设计使得GNN天然具备处理非欧几里得空间数据（如社交网络、分子结构）的能力。

4.2 聚合函数（Aggregation Functions）

聚合函数决定了如何将邻居节点的信息组合成一个固定长度的向量。不同的聚合函数对图的结构和特征有不同的敏感性。选择合适的聚合函数是GNN设计中的关键步骤。

下表对比了三种最常用的聚合函数：

聚合函数	计算方式	特点	适用场景
均值聚合（Mean）	对邻居特征向量逐元素求平均	平滑、稳定，保留全局分布信息	节点度数较高、特征分布均匀的图
求和聚合（Sum）	对邻居特征向量逐元素求和	对邻居数量敏感，能区分图结构	需要区分不同度数节点的场景
最大池化聚合（Max）	对每个特征维度取邻居中的最大值	鲁棒性强，关注最显著的特征	噪声较多、需要提取关键信号的图

避坑指南：求和聚合虽然能区分结构，但对异常值非常敏感；均值聚合会弱化高度数节点的影响力；最大池化则可能丢失部分全局信息。在实际项目中，建议通过交叉验证选择最佳聚合器。

4.3 节点嵌入（Node Embedding）

节点嵌入是将图中的每个节点映射到一个低维、稠密的向量空间的过程。这个向量（嵌入）能够编码节点的结构信息（如它在图中的位置、社区归属）和属性信息（如用户的年龄、物品的类别）。

经过多层消息传递后，节点的嵌入会包含其K阶邻居的上下文信息。例如，在团伙识别任务中，一个节点的最终嵌入可以反映它是否属于某个紧密连接的犯罪团伙。

下图展示了从原始图结构到节点嵌入空间的映射过程：

    嵌入质量评估指标：
    同质性（Homophily）：相连的节点在嵌入空间中是否彼此接近。
结构等价性（Structural Equivalence）：具有相似局部结构的节点（如两个“桥接”节点）是否拥有相似的嵌入。
下游任务性能：在节点分类、链接预测等任务上的F1分数或AUC值。

4.4 消息传递与聚合的代码实现

以下是一个使用PyTorch实现简单消息传递层的示例代码，展示了均值聚合和状态更新的核心逻辑：

import torch
import torch.nn as nn
import torch.nn.functional as F

class SimpleMessagePassingLayer(nn.Module):
    """一个简单的消息传递层，使用均值聚合"""
    def __init__(self, in_features, out_features):
        super(SimpleMessagePassingLayer, self).__init__()
        self.linear = nn.Linear(in_features, out_features)

    def forward(self, x, adj_matrix):
        """
        x: 节点特征矩阵 [num_nodes, in_features]
        adj_matrix: 邻接矩阵 [num_nodes, num_nodes]
        """
        # 1. 消息生成与聚合：通过邻接矩阵计算邻居特征的平均值
        # 归一化邻接矩阵（行和为1）
        row_sum = adj_matrix.sum(dim=1, keepdim=True).clamp(min=1)
        norm_adj = adj_matrix / row_sum

        # 聚合邻居特征
        aggregated = torch.mm(norm_adj, x)  # [num_nodes, in_features]

        # 2. 状态更新：线性变换 + 非线性激活
        out = self.linear(aggregated)
        out = F.relu(out)

        return out

# 示例用法
num_nodes = 4
in_features = 3
out_features = 2

# 随机初始化节点特征
x = torch.randn(num_nodes, in_features)
# 简单邻接矩阵（无自环）
adj = torch.tensor([
    [0, 1, 1, 0],
    [1, 0, 0, 1],
    [1, 0, 0, 0],
    [0, 1, 0, 0]
], dtype=torch.float32)

layer = SimpleMessagePassingLayer(in_features, out_features)
output = layer(x, adj)
print("输出节点嵌入形状:", output.shape)  # [4, 2]
print("输出嵌入:\n", output)

实战提示：上述代码中的邻接矩阵需要包含自环（即对角线为1），以便在聚合时保留节点自身的信息。在GraphSAGE中，这通常通过显式拼接或添加自环边来实现。

4.5 本章小结

本章深入讲解了图神经网络的三大基石：

消息传递机制：定义了节点如何与邻居交换信息，是GNN的通用框架。
聚合函数：决定了信息融合的方式，直接影响模型对图结构的感知能力。
节点嵌入：是GNN的最终产出，将复杂的图结构信息压缩为可用于下游任务的向量表示。