第二章：图神经网络核心原理——消息传递、聚合与GCN推导
各位同学，欢迎来到第二章。上一章我们聊了图数据的基本概念，今天咱们来啃硬骨头——图神经网络到底是怎么工作的？
说实话，我第一次接触GNN时，也被一堆公式吓住了。但后来我发现，核心就三件事：消息传递、聚合、更新。搞懂这三步，GNN的大门就向你敞开了。
2.1 消息传递机制——GNN的“灵魂”
图神经网络和传统神经网络最大的区别在哪？
传统网络处理的是独立样本，比如一张图片、一段文本。但图数据不一样——每个节点都和邻居“纠缠不清”。你想想看，在社交网络里，一个人的特征很大程度上受他朋友影响。这就是消息传递的直觉。
消息传递的核心思想：每个节点会向邻居发送自己的特征信息，同时接收邻居发来的信息。这个过程就像你在朋友圈发动态，朋友们点赞评论，你看到他们的反馈后更新自己的状态。
消息传递三要素：
- 消息函数：决定节点如何构造要发送的信息
- 聚合函数：决定如何整合邻居发来的信息
- 更新函数：决定如何用聚合后的信息更新自身
我在做金融风控项目时，遇到过一个问题：交易图中有些节点度数特别高（比如大商户），有些节点度数很低（比如普通用户）。如果不做处理，高度数节点会“淹没”低度数节点的信息。嗯，这里要注意，后面我们会讲怎么解决。
2.2 聚合函数——把邻居信息“揉”在一起
聚合函数说白了就是：你有一堆邻居发来的消息，怎么把它们变成一个向量？
常见的聚合方式有：
| 聚合方式 | 公式 | 特点 | 适用场景 |
|---|---|---|---|
| 求和聚合 | ∑j∈N(i) hj | 简单直接，保留全部信息 | 度数分布均匀的图 |
| 均值聚合 | (1/|N(i)|)∑j∈N(i) hj | 归一化，避免度数影响 | 度数差异大的图 |
| 最大聚合 | max({hj | j∈N(i)}) | 只关注最显著特征 | 异常检测、关键节点识别 |
| 注意力聚合 | ∑j∈N(i) αijhj | 可学习权重，灵活 | 复杂关系建模 |
我的经验：在金融风控中，我习惯先用均值聚合做基线。如果效果不理想，再尝试注意力聚合。因为均值聚合参数少，不容易过拟合——尤其是样本量不足时。
2.3 更新函数——节点如何“进化”
聚合完邻居信息后，节点需要更新自己的状态。更新函数通常是一个神经网络层：
h_v^(k+1) = σ( W · [h_v^(k) || agg(N(v))] + b )其中：
- h_v^(k) 是节点v在第k层的特征
- agg(N(v)) 是邻居聚合结果
- || 表示拼接操作
- W、b 是可学习参数
- σ 是激活函数（常用ReLU）
我曾经踩过一个坑：直接把聚合结果和自身特征相加，没有做非线性变换。结果模型表达能力很差，怎么调参都不收敛。后来加了ReLU和BN层，效果立竿见影。
2.4 GCN原理——最经典的图卷积网络
GCN（Graph Convolutional Network）是图神经网络里最基础、最常用的模型。它的核心思想是：用拉普拉斯矩阵做谱域卷积。
别被“谱域”这个词吓到。说白了，GCN就是找到一种方式，让节点既能聚合邻居信息，又能保持自身的特征。
GCN的核心公式：
H^(l+1) = σ( D̃^(-1/2) · Ã · D̃^(-1/2) · H^(l) · W^(l) )其中：
- Ã = A + I（邻接矩阵加自环）
- D̃ 是 Ã 的度矩阵
- H^(l) 是第l层的节点特征矩阵
- W^(l) 是第l层的权重矩阵
公式推导的关键步骤：
- 从谱域卷积出发：gθ * x = UgθUTx
- 用切比雪夫多项式近似：gθ(Λ) ≈ ∑k=0K θkTk(Λ̃)
- 取K=1简化：gθ * x ≈ θ0x + θ1(L - I)x
- 令θ = θ0 = -θ1，得到：gθ * x ≈ θ(I + D-1/2AD-1/2)x
- 加入自环和归一化，得到最终形式
你可能会问：为什么要加自环？
原因很简单：不加自环的话，节点在更新时只考虑邻居信息，完全忽略了自己。这就像一个人只听别人的意见，完全没有自我判断——显然不合理。
2.5 知识体系总览
下面这张图总结了本章的核心知识结构：
2.6 实战中的避坑指南
我曾经踩过的坑：
- 梯度消失：GCN层数超过3层后，节点特征会趋于一致（过平滑）。我建议金融风控场景最多用2-3层GCN。
- 特征尺度：不同节点的特征尺度差异很大时，一定要做归一化。我见过有人直接用原始交易金额做特征，结果模型全学偏了。
- 边权重：如果图中有边权重信息（比如交易金额），记得在聚合时加权。忽略边权重等于浪费信息。
我的建议：刚开始学GNN时，别急着上复杂模型。先用GCN跑通一个简单任务，理解消息传递的流程。等你对“节点如何看邻居”有了直觉，再尝试GAT、GraphSAGE这些变体。
好了，这一章的内容就到这里。消息传递机制是GNN的基石，GCN是入门必学的模型。下一章我们会聊GAT（图注意力网络），看看如何让节点自己决定“该关注谁”。
记住：搞懂GCN，你就掌握了图神经网络的“九九乘法表”。后面的模型都是在这个基础上做改进。