图神经网络入门：从学生成绩预测理解GNN核心原理

图神经网络（GNN）正处在图论与神经网络的交叉点上，是当下数据科学中极具实用价值的方向。本文用一个贯穿始终的例子——根据期中成绩预测学生期末成绩——把 GNN 的核心机制拆解清楚，并解释它为何比普通神经网络更强。

从一个失败的预测说起

假设你是一位数学教授，想用学生的期中成绩预测期末成绩。最直接的做法是套一个基础神经网络：把期中成绩 M 通过权重和激活函数映射到隐藏状态 H，再从隐藏状态映射到预测值。整个模型的参数在训练中学习，数学上就是“激活函数作用于输入的线性组合”。

然而训练之后你会发现误差高得离谱。原因藏在课堂本身：学生并不是孤立存在的，他们组成学习小组，组内共享知识与信息，组间则基本不交流。只看单个学生的成绩，等于丢掉了这部分关键信息。

这正是 GNN 要解决的问题——不只用“你是谁”，还用“你和谁一起学习”来做预测。

单层GNN：把邻居信息纳入进来

从数学上看，单隐藏层 GNN 与基础网络差别并不大。我们仍然使用学生自己的期中成绩，只是额外引入其学习伙伴（邻居）的平均期中成绩 M_N。两部分信息通过一个熟悉的公式转换为隐藏状态，唯一的改动是多了邻居平均成绩的线性组合项，也就是在训练中多了一个参数。

结果差距相当明显：基础神经网络误差很高，而单层 GNN 的误差被压低到接近零。

一个必须做的对照实验：随机边基线

在公布结果之前，有一个关键对照值得关注：如果同样训练 GNN，但把学生 study graph 中的所有边随机打乱，会发生什么？这个基线的作用是排除一种可能的解释——模型变好只是因为引入了其他学生的期中成绩，而非真正利用了学生之间的实际连接关系。

实验结果是：随机边基线的表现确实优于基础神经网络，说明“引入他人信息”本身有价值；但它的表现明显不如保留真实连接关系的 GNN。学生真实的学习伙伴关系，才是性能提升的主要来源。

随机边基线（random-edge baseline） 是图机器学习中常用的消融实验：保持节点特征与模型超参数不变，仅将图的边随机重连（通常保持度分布或边数不变），再按相同流程训练评估。它的作用是把“图结构本身的信息”与“引入额外特征或更多参数带来的增益”分离开。若随机边模型与真实图模型表现相当，说明性能提升并非来自真实的连接关系；若真实图明显更优，则说明边确实携带了任务相关的信号。这一基线在节点分类、链接预测等任务中也被广泛采用，是判断 GNN 是否真正“用上了图”的最低门槛。

两层GNN：信息沿图传播

到这里一个合理的质疑是：上述做法除了构造了一个新特征，其余部分不过是普通神经网络，凭什么单独称为一个领域？要回答这个问题，需要从单隐藏层扩展到双隐藏层。

单层 GNN 让信息从你的一跳邻居（直接学习伙伴）流向你。两层 GNN 则进一步纳入“你学习伙伴的学习伙伴”——也就是图中距离你两跳的节点。其假设很直观：日常一起学习的伙伴对你影响最大，而这些伙伴本身也在从他们的伙伴那里学习，这些信息可以间接帮助你。

数学上的操作是：对每个邻居的第一层隐藏向量取平均，分别经过各自学习的线性组合，得到来自自身和邻居的贡献，相加后经激活函数得到第二层隐藏向量。关键在于，邻居第一层向量的均值本身又是其邻居的函数——多加一层，信息就能跨越两跳到达你这里。出于简化，图中省略了偏置等常数项，它们同样在训练中学习。

层数怎么选

层数（即考虑几跳邻居）本身就是一个需要调的超参数，用训练集和验证集来确定。实践中通常会出现误差平台期：一层优于基础网络，两层进一步改善，再加第三层却没有明显收益，这时两层就是合理选择。

GNN的训练与验证有何不同

普通神经网络只需在部分数据点上训练、留出另一部分验证即可。但 GNN 的数据通过边高度互联，必须非常明确地界定哪些信息可用、哪些不可用。

以连续三届学生为例：第一年拥有全部信息——学习关系、期中成绩、期末成绩，用于训练模型；第二年的学生只提供学习关系和期中成绩，期末成绩被隐藏，用来检验模型能否预测准确并计算验证误差。验证满意后，模型才可以投入实际使用。

标签泄漏（label leakage） 指训练或验证过程中，目标变量通过特征、边或数据划分方式间接进入了模型可见的信息。在图数据上它格外隐蔽：由于节点通过边互连，若验证节点的邻居中包含训练节点，而训练节点的标签又被用于构造特征或消息传递，验证指标就会被高估。常见防护手段包括按时间或按连通分量划分训练/验证集、在训练时屏蔽验证节点的标签、以及使用转导式（transductive）与归纳式（inductive）设置分别评估。文中“隐藏第二年期末成绩”的做法，本质上就是在切断标签沿边传播的路径。

训练好之后能做什么

最直接的用途当然是预测期末成绩。但还有两个容易被忽视的应用。

其一是嵌入（embedding）：训练完成后，每位学生都获得一个学到的向量表示，可以作为其他相关任务的起点。

其二是帮助没有学习小组的学生选择伙伴。把一个孤立学生的期中成绩和假设建立的连接输入训练好的 GNN，就能当场生成“如果加入绿组、蓝组或紫组，期末成绩会是多少”的预测。若目标只是最大化成绩，选择使预测值最高的那组连接即可。

节点嵌入（node embedding） 是把每个节点映射为低维稠密向量的表示学习结果，向量中编码了节点的特征与局部图结构信息。训练好的 GNN 隐层输出天然可作为嵌入使用：结构相近或邻居相似的节点，其向量在空间中往往也更接近。嵌入的用途不限于原任务，可作为下游任务的输入特征，也可用于聚类、相似度检索与可视化。与 DeepWalk、node2vec 等只利用结构的嵌入方法不同，GNN 产出的嵌入同时融合了节点自身特征，因此在特征丰富的场景中通常更具表达力。

还可以走多远

上述模型做了一个简化假设：所有边权重相同。现实中你和某些人一起学习的时间远多于其他人，这类信息完全可以编码进边中，从而提升预测效果，也能为边本身学到表示，而不只是节点表示。另一个自然的扩展是引入注意力层，让模型自己学习哪些学习伙伴更重要——目前只是对所有伙伴取平均，但不同学术性格的人带来的价值显然不同。

无论是数学课上的学生、城市间的航班，还是读书会里的朋友关系，现实世界中的大量对象都适合建模为节点与边的集合。把图结构信息纳入模型，往往能打开原本封闭的问题空间。