4. 邻居采样策略：均匀采样、随机游走采样、重要性采样对比

在 GraphSAGE 的“回放链路”中，邻居采样是决定模型能否高效学习局部拓扑结构的关键步骤。由于真实图数据（如交易网络、设备指纹图）往往具有幂律分布特性，直接对所有邻居进行聚合会导致计算爆炸。因此，必须引入采样策略来固定邻居数量，同时保留最具代表性的结构信息。本节对比三种主流采样策略：均匀采样、随机游走采样和重要性采样。

4.1 三种采样策略的核心思想

4.2 均匀采样（Uniform Sampling）

均匀采样是最基础的策略，实现简单，计算开销低。对于每个目标节点，从其邻居集合中随机抽取 k 个节点（若邻居数不足 k，则全部保留并做 padding）。

# 均匀采样伪代码
def uniform_sample(neighbors, k):
    if len(neighbors) <= k:
        return neighbors + [PAD] * (k - len(neighbors))
    else:
        return random.sample(neighbors, k)

优点： 无偏估计，实现简单，适合作为 baseline。
缺点： 忽略节点重要性，对低度节点友好但对高度节点信息利用不足；在幂律图中，大量低度节点被采样，而关键 hub 节点可能被遗漏。

4.3 随机游走采样（Random Walk Sampling）

随机游走采样不直接采样邻居，而是通过游走路径来定义“邻居”。从目标节点出发，执行 t 步随机游走，将路径上所有访问过的节点（包括重复节点）作为邻居集合，再从中采样固定数量。

# 随机游走采样伪代码
def random_walk_sample(graph, start_node, walk_length, k):
    walk = [start_node]
    current = start_node
    for _ in range(walk_length):
        neighbors = list(graph.neighbors(current))
        if not neighbors:
            break
        current = random.choice(neighbors)
        walk.append(current)
    # 从游走路径中采样 k 个节点（可重复）
    return random.choices(walk[1:], k=k)  # 排除起始节点

优点： 能捕获图的结构上下文，对局部拓扑敏感；适合发现“间接关联”的团伙成员（如通过多层转账关联的账户）。
缺点： 游走路径可能陷入局部区域，导致采样偏差；计算开销高于均匀采样。

4.4 重要性采样（Importance Sampling）

重要性采样根据每个邻居的“重要性权重”进行非均匀抽样。权重可以基于节点度、PageRank 值、或模型学习到的注意力分数。在反欺诈场景中，常用节点度作为权重，因为高度节点往往是资金枢纽或设备复用点。

# 重要性采样伪代码（基于度权重）
def importance_sample(neighbors, k, degree_dict):
    weights = [degree_dict[n] for n in neighbors]
    total = sum(weights)
    probs = [w / total for w in weights]
    # 按概率分布有放回采样
    return random.choices(neighbors, weights=probs, k=k)

优点： 能聚焦关键节点，减少噪声邻居的干扰；在幂律图上显著提升模型对 hub 节点的表征质量。
缺点： 引入采样偏差，需要做重要性权重校正（如 1/prob 加权聚合），否则模型估计有偏；权重设计依赖先验知识。

4.5 三种策略的对比分析

4.6 采样策略选择流程图

下图展示了在 GraphSAGE 回放链路中，如何根据图数据特征选择邻居采样策略：

4.7 回放链路中的采样实践

在《团伙识别回放链路》项目中，我们通常采用混合采样策略：

• 第一层（输入层）： 使用重要性采样，优先保留高风险节点（如交易频次高的账户、复用设备 ID 的节点）。
• 第二层（隐藏层）： 使用随机游走采样，捕获团伙的间接关联结构（如通过中间人账户串联的多个子团伙）。
• 第三层（输出层）： 使用均匀采样作为正则化，防止模型过拟合到特定 hub 节点。

选择采样策略时，需要权衡计算开销、结构捕获能力和偏差校正。对于反欺诈场景，重要性采样 + 逆概率加权是性价比最高的方案，尤其适合资金流网络和设备指纹图。