图嵌入与图神经网络：GCN、GAT 与 GraphSAGE
本文基于模型知识整理（生成时未联网核对），关键结论建议对照经典文献复核。
一句话定义
图神经网络（GNN）通过"聚合邻居信息"迭代更新节点表示：GCN 用度归一化平均、GAT 用注意力加权、GraphSAGE 用采样聚合支持大规模归纳——把图结构本身编码进向量，使"结构相似的节点表示相近"，是图检索与图机器学习的表示层底座。
为什么重要
kp-007 的文本嵌入把"语义"编码进向量，GNN 把"结构角色"编码进向量：供应商网络里"位置相似的公司"（同为客户群的分销商）文本上毫无相似，结构上却高度相似。GraphRAG 进阶玩法（社区向量、结构检索、链接预测补全）都以 GNN 表示为底座。
前置知识
kp-007（嵌入与对比思想）、kp-018（图结构）、基础矩阵运算。
核心概念
- 消息传递范式：每层 GNN 做三步——收集邻居特征（聚合）→ 变换（线性层）→ 更新自身表示；L 层后节点"看到"L 跳邻域。
- GCN（图卷积网络）：聚合函数为度归一化的加权平均
H' = σ(D̂^-½ Â D̂^-½ H W)，简单高效，是基线模型。 - GAT（图注意力网络）：聚合权重由注意力机制学习（重要邻居权重大），对噪声边更鲁棒。
- GraphSAGE：不聚合全部邻居而是采样固定个数，配合"训练时见过的图可泛化到新节点"（归纳式），是大规模工业场景主力。
- 任务形态：节点分类（给实体打标）、链接预测（预测缺失关系——KG 补全的核心任务）、图分类、节点聚类（社区发现）。
原理与机制
过平滑（over-smoothing）：层数堆高后所有节点表示趋同（每层都向邻居平均靠拢），判别力反而下降——GNN 通常 2–4 层，"层数=感受野"的 CNN 直觉在这里不适用。
转导 vs 归纳：GCN 原始形式依赖全图拉普拉斯矩阵（新节点加入要重算）；GraphSAGE 的采样聚合函数与具体图无关，新节点来即可直接推断——RAG 场景图持续更新（kp-029），归纳式是刚需。
KG 补全与链接预测：TransE 类翻译模型（head + relation ≈ tail）与 R-GCN 类关系感知 GNN 可给"缺失边"打分——图构建管线（kp-023）抽不全关系时，链接预测提供候选补全（高置信进图，低置信给检索当扩展线索）。
公式或模型
- GCN：
H^(l+1) = σ(D̂^(-1/2) Â D̂^(-1/2) H^(l) W^(l))，Â = A + I（加自环）。 - GAT：
α_ij = softmax_j(LeakyReLU(a^T[Wh_i ‖ Wh_j]))，聚合h_i' = σ(Σ_j α_ij W h_j)。 - GraphSAGE：
h_i' = σ(W·[h_i ‖ AGG_{j∈N(i)} h_j])，AGG ∈ {mean, max-pooling, LSTM}。
图示
2 层 GNN 的感受野:
○ ○ ○ (第2层: 看到2跳)
\|/
○ ── (v) ── ○ 每层聚合一次邻居 → L 层看到 L 跳邻域
/|\
○ ○ ○
结构相似节点(如同构的供应链位置) → 表示相近 → 支持结构检索/补全实例或案例
- 风控：GAT 学出的账号表示做团伙发现（结构异常簇），优于仅用账号属性。
- 供应链：GraphSAGE 节点表示 + 近邻检索（kp-009 的 HNSW 复用）实现"找与 A 公司结构相似的备选供应商"。
- KG 补全：R-GCN/ComplEx 链接预测给抽取遗漏的关系打分，高置信边人工审核后入图。
常见误区
- 误区一："GNN 层数越多越强"。过平滑使 2–4 层成为甜点；更深的"多跳信息"应靠结构特征或子图采样而非堆层。
- 误区二："有图就该上 GNN"。若核心查询是确定性多跳（kp-025 的 Cypher 遍历），直接查图即可；GNN 的价值在"结构相似性/预测"类模糊任务，上它有训练与维护成本。
- 误区三："图嵌入可以替代文本嵌入"。两者编码不同信息（结构 vs 语义）；混合检索中它们是并列的路，不是替代关系（kp-026）。
与其他知识点的关系
自测题
- 消息传递范式为什么让"L 层 GNN 看到 L 跳"？
答：每层把直接邻居的表示聚合进自身，二层后自身表示已含"邻居的邻居"信息，逐层外扩。
- GraphSAGE 相比 GCN 的工程优势？
答：邻居采样使训练与推断不依赖全图矩阵，且聚合函数与具体图无关——新节点/新图可直接归纳推断，适合持续更新的场景。
- 链接预测在 GraphRAG 管线里能做什么？
答：给抽取遗漏或未见于文本的潜在关系打分，高置信补全入图、低置信作为检索扩展线索，缓解知识抽取不全的问题。
延伸阅读
- Kipf & Welling, "Semi-Supervised Classification with Graph Convolutional Networks"（ICLR 2017）。
- Veličković 等, "Graph Attention Networks"（ICLR 2018）。
- Hamilton 等, "Inductive Representation Learning on Large Graphs"（NeurIPS 2017，GraphSAGE）。