2.1 标准走访流程：消息传递范式

2.1 标准走访流程：消息传递范式

本节摘要：消息传递范式规定每个节点按"生成消息、聚合消息、更新状态"三步吸收邻域信息：消息函数决定"证词怎么说"，聚合函数决定"证词怎么汇总"，更新函数决定"档案怎么改写"。层数等于走访半径——两层网络让每个节点看到邻居的邻居。本节是第二章的理论地基，也是后续所有模型的总章程。

行话入门：邻域与消息

「邻域聚合」是图学习世界的行话，指每个节点把相邻节点的特征收拢进来更新自己的表示——侦探社的对应操作叫走访取证。第一章立案完成后，卷宗已经具备特征矩阵与边索引，本节把"侦探如何走访"写成数学规程。这套规程有个更正式的名字：消息传递范式（Message Passing Paradigm），几乎所有图神经网络模型都遵循它，区别只在每一步选什么函数。理解了本节，第三章的五个模型就只是五份不同的实施细则。

图：三轮走访中信息的扩散路径

规程总纲：三步曲

消息传递范式把一轮走访拆成三步。第一步，消息生成：每个邻居节点 u 面向目标节点 v 生成一条消息，消息函数通常是个小型神经网络（线性变换加激活），输入是双方的特征、必要时还有边上的特征——证词的内容由"关系人与嫌疑人双方的情况"共同决定。第二步，消息聚合：节点 v 把收到的所有消息汇总成一个向量，聚合函数必须满足置换不变性——邻居以任何顺序到场，汇总结果不变；均值、求和、最大值都满足这一要求。第三步，状态更新：节点 v 结合自己的旧档案与聚合结果，生成新档案，更新函数可以是简单拼接加线性层，也可以是门控循环单元。写成公式就是：消息 m 由消息函数生成，聚合结果是所有邻居消息经聚合函数的汇总，新状态 h 由更新函数融合旧状态与聚合结果得到。经过一轮三步曲，图中每个节点的表示都完成一次刷新。

关键推论随之而来：层数就是走访半径。第一层走访后，节点表示吸收了直接邻居；第二层的输入已经是"含邻居信息的表示"，再聚合一轮，等于把邻居的邻居（二跳关系人）的证词间接引入。k 层网络对应 k 跳感受野。这也解释了为什么图神经网络通常只叠两三层——感受野随层数指数式扩张，叠太深反而让所有节点"听遍了全城的传闻"，表示趋同，这正是第五章过平滑问题的伏笔。

import numpy as np

rng = np.random.default_rng(7)
n, d = 6, 4                                   # 六个节点，四维特征
A = np.zeros((n, n))
for i, j in [(0,1),(0,2),(1,2),(2,3),(3,4),(4,5),(2,5)]:
    A[i, j] = A[j, i] = 1
X = rng.normal(size=(n, d))                   # 初始档案（第 0 层表示）

W_msg  = rng.normal(size=(d, d)) * 0.5        # 消息函数：线性变换
W_updt = rng.normal(size=(2*d, d)) * 0.5      # 更新函数：拼接后投影

def relu(z): return np.maximum(z, 0)

def one_round(X, A):
    # 第一步：消息生成 —— 每个邻居把自己的特征变换成"证词"
    M = relu(X @ W_msg)                        # 所有节点的消息版本
    # 第二步：消息聚合 —— 行归一化邻接矩阵做"邻域均值"
    D_inv = np.diag(1.0 / A.sum(axis=1))
    agg = D_inv @ A @ M                        # 每行＝邻居消息的均值
    # 第三步：状态更新 —— 旧档案与聚合证词拼接后投影
    return relu(np.hstack([X, agg]) @ W_updt)

H1 = one_round(X, A)                           # 第一层走访
H2 = one_round(H1, A)                          # 第二层走访：二跳信息进入
print("第 0 层 节点0:", np.round(X[0], 3))
print("第 1 层 节点0:", np.round(H1[0], 3))
print("第 2 层 节点0:", np.round(H2[0], 3))
# 三份档案各不相同：层级越深，掺入的邻域成分越丰富
​

感受野的验证实验

"层数等于走访半径"这个论断可以直接验证。做法很侦探：给每个节点注入只有自己知道的"暗号"特征，然后数一数经过几轮消息传递后，目标节点的表示里能检测到谁的暗号。

# 身份暗号实验：节点 i 的初始特征只有第 i 维为 1，其余为 0
X_id = np.eye(n)

# 用"求和聚合＋直通更新"（不加权、不投影），让传播路径纯粹可见
def trace(X, A):
    return A @ X                              # 每个节点＝邻居暗号之和

T1 = trace(X_id, A)
print("一轮后 节点2 收到的暗号来源:", np.nonzero(T1[2])[0])   # 直接邻居
T2 = trace(T1, A)
print("两轮后 节点2 收到的暗号来源:", np.nonzero(T2[2])[0])   # 扩展到二跳
# 结论：两轮传播后，二跳节点的身份信号已经出现——感受野确实随层数扩张
​

这个朴素实验同时演示了信息扩散的两面性：邻域信息进入是收益，远端噪声混入是代价。感受野不是越大越好——社交图里两跳大约覆盖"朋友的朋友"，尚在业务语义之内；十几跳之后所有账号的表示都在平均全网的传闻，区分度反而坍缩。深度选择因此成为图模型最敏感的超参之一，第五章会给出系统的选型与诊断方法。

边特征与异质消息

基础规程里消息只依赖两端节点的特征，但现场往往要求把"关系本身的属性"写进证词：通讯录里的"通话频次"、分子里的"键型"、交易图里的"金额"都是边特征。改造方法直白——把边特征拼进消息函数的输入，让证词内容随关系类型变化。若不同类型的边需要不同的消息函数（比如"好友互动"与"共同设备"适用不同问询方式），就为每类边配独立的消息函数再分别聚合，这正是第六章异构图模型的思想雏形。本节先记住：规程骨架不变，变的是每一步里塞进去的信息与函数。

常见误区与要点

• 把"消息传递"与"特征拼接"混为一谈：直接把邻接矩阵行拼到特征后面喂全连接层，不是消息传递——聚合必须发生在函数内部且对邻居顺序不敏感。
• 忘记自环：不带自环的聚合会丢掉节点自身旧档案，更新全靠邻居证词；工程惯例是给邻接矩阵加单位阵再归一化。
• 层数贪多：走访半径按层数扩张，深网络在多数图任务上收益递减甚至变负，两三层是稳妥起点。
• 聚合函数随手选：均值抹平规模信息、求和保留规模信息，选错聚合在"数邻居数就有意义"的任务上会直接吃亏——2.3 节专门审这个问题。

本节确立了总章程：三步曲加感受野直觉。下一节勘验"图卷积"这个术语的两条理论来路——谱域与空间域，看它们如何在"聚合权重"上殊途同归。