图神经网络基本原理：从图表示到消息传递
用节点、边与全局属性统一描述图数据，再从 message、aggregation、update 三步推导 GNN，并比较 GCN、GraphSAGE、GAT 及常见失效模式。
传统神经网络擅长处理规则网格：图像的像素排成矩阵，语音和文本排成序列。但分子、社交网络、交易关系和推荐系统天然由“实体—关系”构成，邻居数量不固定，也没有唯一的节点顺序。
图神经网络（Graph Neural Network，GNN）要解决的核心问题，是在保留这种关系结构的同时，学习节点、边或整个图的表示。
图由什么组成
一个图可以写成 ：
- 是节点集合，例如用户、商品、原子；
- 是边集合，例如关注、点击、化学键；
- 节点和边都可以带特征；
- 图还可以包含全局属性，例如分子的温度或一场比赛的上下文。
边可以有向、无向，也可以带类型和权重。图怎么建模不是预处理细节，而是模型假设的一部分：把“同一订单中的商品”连边和把“同一用户点击的商品”连边，会给网络完全不同的归纳偏置。
图也能表示规则数据，但不一定值得
图像可以把像素当节点、相邻像素当边；文本也可以把 token 当节点并按顺序连边。
但卷积和 Transformer 已经高效利用了这些规则结构。GNN 真正有优势的场景通常是不规则关系，例如分子中的原子与化学键：
三类典型预测任务
| 粒度 | 预测对象 | 例子 |
|---|---|---|
| 节点级 | 每个节点的标签或数值 | 用户分类、论文主题、节点风险 |
| 边级 | 两个节点间是否有边或边的属性 | 链路预测、推荐、关系类型 |
| 图级 | 整个图的标签或数值 | 分子性质、程序图分类、场景理解 |
图级任务需要把不同数量的节点汇聚成固定维度表示；边级任务往往根据两个端点的表示打分；节点级任务则需要融合自身与邻域的信息。
表示图的两个要求
工程上通常分别存储：
- 节点、边和全局特征张量；
- 用 edge list 或稀疏邻接结构记录连接关系。
稠密邻接矩阵需要 空间，对大多数稀疏现实图很浪费。Edge list 只记录存在的边，存储接近 ，也便于批量执行 gather、scatter 和稀疏聚合。
更根本的要求是置换等变性。同一张图给节点换个编号，节点级输出应当按同样方式重新排列；图级输出则应完全不变。模型不能把“节点刚好排在第 3 行”当作语义。
消息传递：GNN 的共同骨架
多数 GNN 可以写成 Message Passing Neural Network。第 层对节点 做三件事。
1. Message
对每条入边 计算消息：
m_{u\to v}^{(l)}= \phi^{(l)}\left(h_u^{(l)},h_v^{(l)},e_{uv} ight)、 是两端节点表示， 是边特征。 可以是线性层、MLP 或带注意力的函数。
2. Aggregation
把所有邻居消息聚合：
sum、mean、max 和 attention-weighted sum 都很常见。聚合函数必须对邻居顺序不敏感，否则节点重编号会改变结果。
3. Update
用聚合结果更新节点：
一层之后，每个节点获得一跳邻居的信息；两层覆盖两跳邻域。层数决定理论感受野，但不代表层数越深就一定掌握了全图信息。
一个最小例子
假设四个用户构成社交图，每个节点只有“活跃度”和“消费额”两个特征。要判断用户 1 是否有流失风险，可以：
- 分别用 MLP 把用户 1 的每个邻居编码成消息；
- 对消息求均值，得到邻域表示；
- 把用户 1 自身表示与邻域表示拼接；
- 经过更新 MLP 和分类头输出流失概率。
如果邻居数量从 2 变成 20，模型结构无需改变；如果交换邻居输入顺序，均值也不变。这正是图模型相对固定长度特征拼接的优势。
GCN、GraphSAGE 与 GAT 的差别
它们不是简单的“新模型取代旧模型”，而是对消息和聚合做了不同选择。
GCN
经典 GCN 使用带自环的对称归一化邻接矩阵：
归一化防止高阶节点的数值尺度支配聚合，适合全图或较规则的稀疏矩阵运算。
GraphSAGE
GraphSAGE 显式采样固定数量的邻居并学习聚合函数，更适合大图 mini-batch 和归纳式场景：训练时没见过的新节点，只要有特征和邻域也能生成表示。
GAT
GAT 为不同邻居学习注意力权重，让聚合不再把所有邻居同等对待。代价是边上的注意力计算与内存开销更高，而且权重可视化不应直接当作因果解释。
转导式与归纳式要分开
- 转导式（transductive）：训练和测试通常位于同一张图，只是部分标签被隐藏；节点 ID 或结构位置可能参与学习。
- 归纳式（inductive）：模型要泛化到新节点甚至新图，必须依赖可迁移的特征和局部规则。
在论文数据集上表现好的全图方法，不一定能直接服务持续新增用户的线上系统。是否需要动态图更新、邻居采样和跨图泛化，应在选模型前明确。
深层 GNN 的两种不同困难
Over-smoothing
多次邻域平均后，相邻节点表示越来越相似，最后难以区分。残差连接、归一化、跳连和限制传播深度可以缓解这一问题。
Over-squashing
随着跳数增加，指数增长的远程信息被压进固定维度向量，长距离依赖难以通过狭窄的图结构瓶颈。这不是“节点都变得相同”，而是信息容量与拓扑路径不足。图重连、更合理的全局通道和层次化表示是不同方向的解决方案。
此外还要警惕邻居采样偏差、异配图（相连节点不相似）、动态图时序泄露和大度数节点带来的训练热点。
总结
GNN 的本质不是“把邻接矩阵丢进神经网络”，而是构造一个满足图对称性的可学习信息传播系统：边决定信息从哪里来，聚合决定如何压缩邻域，更新决定新旧表示如何融合。
一旦把 message、aggregation、update 三步分开，GCN、GraphSAGE、GAT 以及更复杂的图网络就不再是彼此孤立的模型名，而是同一个设计空间里的不同选择。