4. GraphSAGE 原理（下）：节点特征更新、损失函数与训练方式
上一节我们学习了 GraphSAGE 的采样与聚合机制。本节将深入其核心：节点特征如何逐层更新、无监督与有监督损失函数如何设计，以及与 GCN 的本质差异。这些是理解 GraphSAGE 可扩展性与灵活性的关键。
4.1 节点特征更新公式：从邻居到目标节点
GraphSAGE 的核心思想是：每个节点的特征由其自身特征与采样邻居的聚合特征共同决定。第 k 层的更新公式如下：
h_v^(k) = σ( W^(k) · CONCAT( h_v^(k-1), AGG_k( { h_u^(k-1), ∀u ∈ N(v) } ) ) )其中：
- h_v^(k)：节点 v 在第 k 层的特征向量。
- h_v^(k-1)：节点 v 在上层的特征（自身记忆）。
- N(v)：对节点 v 采样得到的固定大小邻居集合。
- AGG_k：第 k 层的聚合函数（Mean / LSTM / Pooling）。
- CONCAT：将自身特征与邻居聚合特征拼接，保留自身信息。
- W^(k)：可训练的权重矩阵。
- σ：非线性激活函数（如 ReLU）。
关键设计：拼接操作是 GraphSAGE 区别于 GCN 的重要特征。它确保节点自身的原始信息不会在多层聚合中被“稀释”，尤其适合欺诈团伙中“孤立节点”与“团伙节点”的区分。
4.2 聚合函数对比：Mean / LSTM / Pooling
GraphSAGE 支持三种可替换的聚合器，不同聚合器对欺诈团伙识别的效果差异显著：
| 聚合器 | 公式/原理 | 特点 | 欺诈场景适用性 |
|---|---|---|---|
| Mean 聚合器 | 对邻居特征逐元素取平均 | 计算最快，平滑邻居信息 | 适合均匀团伙，但易被噪声淹没 |
| LSTM 聚合器 | 将邻居特征排序后输入 LSTM | 表达能力更强，但非对称（需排序） | 适合时序行为数据（如交易序列） |
| Pooling 聚合器 | 对每个邻居特征做 MLP + 逐元素 max 池化 | 对称、可学习、鲁棒 | 推荐：抗噪声，能捕捉团伙内极端特征 |
实战建议：在反欺诈场景中，Pooling 聚合器通常表现最优。因为它通过 MLP 先变换每个邻居，再用 max 池化保留最“异常”的信号——这正是欺诈团伙中“头目节点”的典型特征。
4.3 无监督损失函数：保持图结构邻近性
当缺乏节点标签时，GraphSAGE 通过无监督损失学习节点嵌入，使得图中邻近节点的嵌入相似，远距离节点的嵌入不同。损失函数基于负采样：
J_G(z_u) = -log( σ( z_u^T z_v ) ) - Q · E_{v_n ~ P_n(v)} [ log( σ( -z_u^T z_{v_n} ) ) ]其中：
- z_u：节点 u 的最终嵌入。
- v：与 u 在固定长度随机游走中同时出现的邻居（正样本）。
- v_n：从噪声分布 P_n 中采样的负样本节点。
- Q：负样本数量（通常 5~20）。
- σ：sigmoid 函数。
该损失函数鼓励正样本对的内积大，负样本对的内积小。在反欺诈中，无监督预训练可以快速发现密集连接的可疑子图，即使没有标注数据也能生成有区分度的嵌入。
4.4 有监督训练方式：端到端分类
当拥有部分标注数据（如已知欺诈/正常节点）时，GraphSAGE 支持端到端有监督训练。流程如下：
- 前向传播：通过采样-聚合-拼接得到每个节点的嵌入 z_v。
- 分类层：在最终嵌入后接一个全连接层 + softmax，输出类别概率。
- 损失函数：使用交叉熵损失：
L = - Σ_{v ∈ labeled} y_v · log( p_v )其中 y_v 是真实标签（one-hot），p_v 是预测概率。
- 反向传播：梯度通过全连接层、聚合函数、采样操作回传，更新所有 W^(k) 和分类层参数。
注意：有监督训练时，采样图是动态的——每个 batch 重新采样邻居。这导致计算图每次不同，但正是这种随机性让 GraphSAGE 能泛化到未见节点（归纳学习）。
4.5 与 GCN 的对比：核心差异
GraphSAGE 与 GCN 虽然都是图神经网络，但设计哲学差异明显。下表总结了关键区别：
| 对比维度 | GCN | GraphSAGE |
|---|---|---|
| 学习范式 | 直推式（Transductive） | 归纳式（Inductive） |
| 邻居使用 | 使用全部邻居（全图计算） | 采样固定数量邻居 |
| 特征更新 | 自身特征与邻居特征加权平均 | 自身特征与邻居聚合特征拼接 |
| 聚合函数 | 固定为归一化平均 | 可学习（Mean/LSTM/Pooling） |
| 可扩展性 | 低（需全图拉普拉斯矩阵） | 高（可 batch 训练，适合大图） |
| 泛化能力 | 不能泛化到新节点 | 可泛化到未见节点 |
在反欺诈场景中，GraphSAGE 的归纳能力至关重要：新注册的账号、新发起的交易可以立即通过其邻居特征生成嵌入，无需重新训练整个模型。
4.6 本章小结
- 特征更新公式：拼接自身特征与邻居聚合特征，保留个体信息。
- 聚合函数：Mean 快但平滑，LSTM 适合序列，Pooling 抗噪声推荐用于反欺诈。
- 无监督损失：基于负采样，保持图结构邻近性，适合无标签场景。
- 有监督训练：端到端交叉熵，支持归纳学习，可泛化到新节点。
- 与 GCN 对比：GraphSAGE 采样+拼接+可学习聚合，GCN 全图+平均+直推式。