2. 图论基础回顾：节点、边、邻接矩阵、度、路径、连通分量
在深入 GraphSAGE 团伙识别之前，必须牢固掌握图论的核心概念。图（Graph）是描述实体间关系的通用数学结构，团伙识别中的用户、设备、交易均可抽象为图元素。本节将系统回顾六个基础概念，为后续的图神经网络操作打下坚实根基。
2.1 节点与边：图的基本构成
图由两个核心集合定义：节点（Vertex/Node） 和 边（Edge）。节点代表实体，边代表实体间的关联。
- 节点（Node）：在反欺诈场景中，节点可以是用户账号、手机设备、IP 地址、银行卡号等。
- 边（Edge）：表示节点之间的某种关系，例如“登录同一设备”、“转账至同一账户”、“共享同一 IP”。
根据边是否有方向，图分为两类：
| 图类型 | 边特征 | 反欺诈示例 |
|---|---|---|
| 无向图 | 边无方向，关系对称 | 两个用户共用同一设备（关系对等） |
| 有向图 | 边有方向，关系非对称 | 用户 A 向用户 B 转账（方向明确） |
实战提示： 团伙识别通常将无向图作为基础建模方式，因为“共享设备”“共用手机号”等关系天然对称。若需分析资金流向，则需使用有向图。
2.2 邻接矩阵：图的数学表示
邻接矩阵（Adjacency Matrix）是存储图结构的标准数学工具。对于一个包含 n 个节点的图，邻接矩阵 A 是一个 n × n 的方阵：
- 若节点 i 与节点 j 之间存在边，则 Aij = 1（无权图）或等于权重值（有权图）。
- 若不存在边，则 Aij = 0。
- 对于无向图，矩阵关于主对角线对称（Aij = Aji）。
以下是一个 4 节点无向图的邻接矩阵示例：
# 4个节点（0,1,2,3），边为：0-1, 0-2, 1-2, 2-3
A = [
[0, 1, 1, 0], # 节点0
[1, 0, 1, 0], # 节点1
[1, 1, 0, 1], # 节点2
[0, 0, 1, 0] # 节点3
]
关键理解： 邻接矩阵是图神经网络（GNN）的输入基础。GraphSAGE 在每一层聚合邻居信息时，正是通过邻接矩阵快速定位每个节点的邻居集合。
2.3 度：节点的重要性指标
度（Degree） 是衡量节点连接数量的基本指标：
- 无向图：节点的度 = 与该节点相连的边的数量。
- 有向图：分为入度（In-degree）（指向该节点的边数）和出度（Out-degree）（从该节点出发的边数）。
在反欺诈中，度具有重要判别意义：
| 度特征 | 可能含义 | 风险倾向 |
|---|---|---|
| 高入度（大量节点指向它） | 资金归集账户、中心化设备 | 高风险（洗钱、团伙中枢） |
| 高出度（它指向大量节点） | 资金分发账户、批量注册设备 | 高风险（羊毛党、分发赃款） |
| 低度（孤立或边缘节点） | 正常用户、低频设备 | 低风险 |
2.4 路径与连通分量
路径（Path） 是连接两个节点的一系列边，路径长度等于经过的边的数量。在团伙识别中，路径长度反映了节点间的“关联距离”。
连通分量（Connected Component） 是图论中最重要的团伙发现概念：
- 连通分量：图中最大的连通子图，其中任意两个节点之间至少存在一条路径。
- 孤立节点：自身构成一个连通分量（度为 0）。
- 团伙：在反欺诈中，一个连通分量往往对应一个潜在的欺诈团伙。
注意： 一个连通分量并不等于一个团伙。真实场景中，一个连通分量可能包含多个子团伙，或者包含无辜用户与欺诈用户的混合体。GraphSAGE 的作用正是通过节点特征和结构信息，在连通分量内部进一步区分成员身份。
2.5 概念关系总览
下图展示了本节六个核心概念之间的逻辑关系，以及它们在 GraphSAGE 团伙识别流程中的位置：
2.6 小结：从图论到 GraphSAGE
本节回顾的六个概念构成了图神经网络的数据基础：
- 节点和边定义了图的实体与关系。
- 邻接矩阵将图结构转化为机器可处理的数值矩阵。
- 度提供了节点的局部重要性度量。
- 路径刻画了节点间的关联距离。
- 连通分量直接对应潜在的欺诈团伙结构。