第一章 图神经网络基础回顾
各位同学，咱们开始上课。
图神经网络，简称GNN。说实话，这玩意儿刚火起来的时候，我还在做传统的推荐系统。那时候总觉得图数据离自己很远，直到有一次处理社交网络数据，发现用户之间的关系根本没法用表格表示——嗯，从那以后我就彻底入了GNN的坑。
这一章，咱们把基础打牢。我会带着大家回顾三个核心问题：图数据怎么表示、消息怎么传递、以及三种主流模型到底有啥区别。别嫌基础，我见过太多调参调得飞起、但连消息传递方向都搞反的同学。
1.1 图数据表示：从邻接矩阵到特征矩阵
图数据，说白了就是「节点+边」。节点是实体，边是关系。
举个例子，一个社交网络里，用户是节点，好友关系是边。一个分子结构里，原子是节点，化学键是边。你想想看，是不是所有图都能拆成这两样东西？
那计算机怎么理解图呢？两个矩阵搞定：
- 邻接矩阵 A：表示节点之间有没有边。A[i][j]=1 表示节点 i 和 j 相连。
- 特征矩阵 X：表示每个节点自己的属性。比如用户的年龄、性别、兴趣标签。
核心公式：图 = (X, A)
X 是 N×F 矩阵，N 是节点数，F 是特征维度。
A 是 N×N 矩阵，通常是对称的（无向图）。
我个人习惯，拿到一个图数据集，第一件事就是检查 A 矩阵是不是稀疏的。为什么呢？因为真实世界的图，大部分节点只跟少数节点相连。如果 A 是稠密的，那八成是数据有问题。
小技巧：用 scipy.sparse 存储邻接矩阵，能省下 90% 的内存。我在处理百万节点级别的图时，这个习惯救了我好几次。
1.2 消息传递机制：GNN 的灵魂
图神经网络为什么能工作？核心就四个字：消息传递。
每个节点，先看看自己的邻居都有谁。然后从邻居那里「收集」信息，再「聚合」起来，最后「更新」自己的表示。这个过程，跟人类社交很像——你朋友的观点会影响你，对吧？
消息传递的通用公式长这样：
h_v^(k+1) = UPDATE( h_v^(k), AGGREGATE( { h_u^(k) for u in N(v) } ) )解释一下：
- h_v^(k) 是节点 v 在第 k 层的表示
- N(v) 是节点 v 的所有邻居
- AGGREGATE 是聚合函数，比如求和、平均、取最大值
- UPDATE 是更新函数，通常是一个神经网络层
我曾经犯过一个低级错误：在聚合时忘了考虑节点自身的信息。结果模型训练出来，每个节点都只看到邻居，看不到自己。嗯，这就像你只听朋友的意见，完全忽略自己的想法——肯定出问题。
避坑指南：消息传递时，一定要加上自环（self-loop）。也就是把节点自身也当作邻居之一。GCN 里默认会做这件事，但如果你自己实现消息传递，千万别漏了。
为什么会这样？因为如果没有自环，节点在第 k 层的表示只依赖于邻居在第 k-1 层的表示，自己的历史信息就丢了。这会导致梯度消失，深层网络根本训不动。
1.3 GCN / GAT / GIN 核心原理对比
好，基础打完了。咱们来看看三种最主流的模型。我按时间顺序讲，这样你能理解 GNN 的进化脉络。
1.3.1 GCN：图卷积网络
GCN 是开山之作。它的思路很简单：把邻居的特征做个加权平均，然后过一层线性变换。
公式：
h_v^(k+1) = σ( W * ( Σ ( A_hat * h_u^(k) ) ) )其中 A_hat 是归一化后的邻接矩阵。为什么要归一化？因为如果不归一化，度数大的节点（朋友多的人）特征值会特别大，度数小的节点（朋友少的人）特征值会特别小。这不公平。
GCN 的缺点也很明显：所有邻居的权重是一样的。你想想看，在社交网络里，你最好的朋友和普通朋友，对你的影响能一样吗？GCN 说：一样。这显然不合理。
| 模型 | 聚合方式 | 邻居权重 | 表达能力 |
|---|---|---|---|
| GCN | 加权平均 | 固定（由度数决定） | 中等 |
| GAT | 加权平均 | 可学习（注意力机制） | 较高 |
| GIN | 求和 | 可学习（MLP） | 最高（理论上） |
1.3.2 GAT：图注意力网络
GAT 解决了 GCN 的痛点。它引入了一个注意力机制，让模型自己学习每个邻居的重要性。
公式：
α_ij = softmax( LeakyReLU( a^T [ W h_i || W h_j ] ) )
h_i' = σ( Σ α_ij * W h_j )这里 α_ij 就是节点 i 对节点 j 的注意力系数。说白了，就是模型自己判断：谁更重要，谁就多听谁的。
我个人特别喜欢 GAT 的一点是，它支持多头注意力。你可以用多个「头」同时计算注意力，然后拼接起来。这就像你同时问好几个朋友的意见，综合判断——结果通常更稳健。
实战经验：我在做蛋白质相互作用预测时，GAT 比 GCN 提升了将近 8 个点的准确率。原因很简单：蛋白质之间的相互作用强度差异很大，GAT 能自动捕捉这种差异。
1.3.3 GIN：图同构网络
GIN 是理论派的最爱。它要解决一个根本问题：GNN 的表达能力到底有多强？
结论是：GCN 和 GAT 的表达能力，最多跟 1-WL 图同构测试一样强。而 GIN 可以达到这个上限。
GIN 的核心改动有两个：
- 用求和代替平均或最大池化
- 用 MLP 代替简单的线性变换
公式：
h_v^(k+1) = MLP( (1+ε) * h_v^(k) + Σ h_u^(k) )这里的 ε 是一个可学习的参数，或者固定为 0。我建议你把它设成可学习的，因为这样模型能自己决定「自身信息」和「邻居信息」的比例。
注意：GIN 虽然理论上表达能力最强，但实际训练时收敛速度比 GCN 和 GAT 慢。我在分子性质预测任务上试过，GIN 需要多训练 30% 的 epoch 才能达到同样的效果。所以别盲目追求理论最优，要看具体场景。
1.4 本章知识体系总览
下面这张图，是我自己画的。它把这一章的核心逻辑串起来了。你保存好，后面调参的时候随时回来对照。
这张图里，从上到下就是咱们的学习路径。先搞清楚图数据怎么表示，再理解消息传递怎么运作，最后对比三种模型各自的特点。每一步都是下一步的基础。
好了，第一章的内容就到这里。记住：图数据表示是地基，消息传递是框架，模型选择是装修。地基没打好，后面调参再努力也白搭。
下一章，咱们开始动手调参。我会带着大家从学习率、隐藏层维度这些最基础的参数开始，一步步把模型调出最佳效果。