4. GraphSAGE核心思想：归纳式学习 vs 直推式学习，采样与聚合的动机

在团伙识别场景中，传统图神经网络（如GCN）采用直推式学习，要求整个图结构在训练前已知，且无法泛化到新加入的节点。GraphSAGE则开创性地引入归纳式学习，通过采样邻居并聚合特征，使模型能对从未见过的节点生成嵌入，这对动态变化的团伙网络至关重要。

4.1 直推式学习 vs 归纳式学习

两种学习范式的核心区别在于：模型是否依赖全局图结构，以及能否处理新节点。

4.2 采样与聚合的动机

GraphSAGE不依赖全图邻居，而是通过固定大小采样和可学习聚合解决两个核心问题：

• 邻居爆炸：真实图中节点度数差异巨大（如核心团伙成员可能有上万条边），全量邻居导致计算不可控。
• 归纳泛化：需要学习一个通用的邻居信息融合函数，而非为每个节点存储独立参数。

4.3 采样策略：固定邻居数

GraphSAGE对每个目标节点，从其一阶、二阶邻居中分别采样固定数量（如S₁=10, S₂=25）的邻居。若邻居数不足则重复采样，超出则随机抽取。

# 伪代码：GraphSAGE采样过程
def sample_neighbors(nodes, adj_list, sample_size):
    sampled = []
    for node in nodes:
        neighbors = adj_list[node]
        if len(neighbors) >= sample_size:
            sampled.append(random.sample(neighbors, sample_size))
        else:
            # 有放回采样补齐
            sampled.append(random.choices(neighbors, k=sample_size))
    return sampled

4.4 聚合函数：三种核心方案

采样得到邻居后，GraphSAGE通过聚合函数将邻居特征融合到目标节点。三种主流聚合器各有适用场景：

4.5 核心流程：采样→聚合→更新

GraphSAGE的完整前向过程分为三步，下面用SVG图展示其核心数据流：

4.6 团伙识别中的采样与聚合动机

在反欺诈团伙识别中，采样与聚合的设计动机与业务场景高度契合：

• 采样动机：团伙中核心成员（如洗钱头目）往往有极高度数，全量邻居计算不可行。固定采样确保每个batch计算量稳定，同时随机采样引入正则化效果，防止过拟合特定团伙结构。
• 聚合动机：团伙成员间存在多种关系（资金交易、设备共用、IP关联）。聚合函数需要融合多类型邻居信息，提取团伙共性特征。例如Pooling聚合能自动筛选出团伙中最异常成员的特征信号。

4.7 归纳式学习的业务价值

GraphSAGE的归纳式学习为团伙识别带来三个直接收益：

下图展示归纳式学习如何在新节点加入时直接生成嵌入，无需重新训练：