图神经网络入门：从图数据到 GCN—

论文引用网、分子结构和社交关系都可以表示成图。与图片不同，节点没有固定的排列，每个节点的邻居数量也可能不同。图神经网络通过邻居聚合或注意力来组织这些关系。下面从消息传递开始，解释节点特征怎样更新，再接到科研平台的论文引用场景。

前置阅读：深度学习课程 04：CNN（卷积的”邻居聚合”直觉是 GNN 的源头）、Milvus + Neo4j 实战（图数据库的应用侧）。

核心思想：消息传递

GNN 的一切变体共享同一个骨架——消息传递（message passing）：每个节点收集邻居的信息（消息），和自己的特征聚合，得到新表示。迭代 K 层，信息就传播了 K 跳：

$h_v^{(k+1)} = \text{UPDATE}\Big(h_v^{(k)},\ \text{AGGREGATE}\big(\{h_u^{(k)} : u \in \mathcal{N}(v)\}\big)\Big)$

CNN 卷积其实是它的特例：图像每个像素和周围 3×3 邻居做加权聚合。GNN 把这个操作推广到任意拓扑——邻居数量不定、没有顺序，所以聚合函数必须是置换不变的（求和、均值、max 都行，加权拼接不行）。

GCN 与 GAT：两种聚合方式

GCN（图卷积网络）：聚合是”邻居表示按度数归一化后求平均”。简单、快、效果好，是 GNN 的”Hello World”。缺陷是所有邻居同等对待（只按度数加权）。

GAT（图注意力网络）：用注意力机制学习每个邻居的权重——重要的邻居多分注意力。表达力更强，代价是计算更贵。思想就是把 Transformer 的注意力搬到图上。

后续还有 GraphSAGE（采样邻居 + 多种聚合器，大图可扩展）、GIN（理论上更强的区分能力）等变体，入门掌握 GCN/GAT 就够举一反三。

实战：PyG 节点分类

PyTorch Geometric（PyG）是 GNN 的标准库。用经典的 Cora 论文引用网络做节点分类（论文是节点、引用是边、预测论文领域）：

# pip install torch_geometric
import torch
import torch.nn.functional as F
from torch_geometric.datasets import Planetoid
from torch_geometric.nn import GCNConv

dataset = Planetoid(root="data", name="Cora")
data = dataset[0]     # x: 节点特征, edge_index: 边, y: 标签, train_mask 等

class GCN(torch.nn.Module):
    def __init__(self):
        super().__init__()
        self.conv1 = GCNConv(dataset.num_features, 16)
        self.conv2 = GCNConv(16, dataset.num_classes)

    def forward(self, x, edge_index):
        x = F.relu(self.conv1(x, edge_index))
        x = F.dropout(x, training=self.training)
        return self.conv2(x, edge_index)

model = GCN()
opt = torch.optim.Adam(model.parameters(), lr=0.01, weight_decay=5e-4)

for epoch in range(200):
    model.train()
    opt.zero_grad()
    out = model(data.x, data.edge_index)
    loss = F.cross_entropy(out[data.train_mask], data.y[data.train_mask])
    loss.backward()
    opt.step()

注意 GCN 层的前向输入除了特征还有 edge_index——图的拓扑结构和特征同等重要，这是 GNN 代码和普通深度学习代码最直观的区别。

应用版图

节点级：论文领域分类、社交账号风控（欺诈节点检测）、分子性质预测（原子是节点）。
边级：链接预测（“这两个人会认识吗”）——推荐系统的社交推荐、知识图谱补全。
图级：整图分类（这个分子有毒吗、这个程序含恶意模式吗）。

我们的科研平台场景：引用网络上做”这篇论文会火吗”（节点回归）和”该引用谁”（链接预测），是 GNN 的天然用武之地。

工程现实：GNN 的坑要提前知道

过平滑（over-smoothing）：层数多了所有节点表示趋同——GNN 通常 2-3 层就够，不像 CNN 能堆几十层。
大图训练难：全图进内存不现实，GraphSAGE 的邻居采样、ClusterGCN 的子图切分是扩展手段。
异构图：边有不同类型（引用/合作/同机构）时要用 R-GCN/HGT 等异构模型。

踩坑排查

症状	原因	处理
加深层数分数反降	过平滑	减到 2-3 层；加残差
大图 OOM	全图训练	邻居采样（NeighborLoader）
孤立节点表现差	无邻居可聚合	加自环（GCNConv 默认带）
边类型信息丢失	同构模型处理异构图	R-GCN/HGT
效果不如 MLP 基线	图结构信息弱	先验证拓扑是否有用（消融）
评估泄漏	图数据切分不当	归纳式/直推式设定分清

练习

在 Cora 上跑通 GCN，并与只用节点特征的 MLP 对比（验证图结构的价值）。
把 GCN 换成 GAT，对比分数和训练耗时。
消融实验：把层数从 1 加到 6，画出分数变化曲线，观察过平滑。
实现一个链接预测任务：随机删 10% 边做测试集，用节点表示点积打分。

面试常问

Q：GNN 和 CNN 的关系？ CNN 是规则网格上的消息传递（固定 3×3 邻居、固定权重位置）；GNN 把它推广到任意图拓扑，聚合函数必须置换不变。可以理解为”CNN 是 GNN 在欧氏网格上的特例”。

Q：什么是过平滑，怎么缓解？ 消息传递 K 层后节点表示融合了 K 跳邻居，层数一多所有节点表示趋于相同，失去区分度。缓解：限制层数（2-3）、残差连接、JK 连接（拼接各层输出）、PairNorm。

Q：GCN 和 GAT 的区别？ 聚合权重：GCN 按节点度数固定归一化；GAT 用注意力机制按节点内容学习权重。GAT 表达力强但贵，GCN 简单快。两者是”固定规则 vs 学习权重”的权衡。

Q：GNN 训练怎么防数据泄漏？ 图数据的节点有边相连，切分不当会让测试节点的信息经训练节点泄漏。直推式（transductive）设定下图整体可见但标签隔离；归纳式（inductive）要求训练/测试子图完全分离。报告时必须说明设定。

相关阅读：知识图谱构建、推荐系统（图方法是现代推荐的一支）。

图神经网络入门：从图数据到 GCN——当关系本身就是信息