图神经网络入门：从消息传递到GCN/GAT实战

很多刚接触图神经网络GNN的读者第一反应往往是“这不就是另一个深度学习框架吗”实际动手后才发现从数据结构、消息传递到训练方式图神经网络和传统神经网络差别非常大。网上的教程要么只讲数学公式要么直接甩一堆 PyTorch Geometric 代码缺少一条从概念到实战的完整链路。这篇文章想做的事很简单把 GNN 背后的核心思想、经典网络GCN、GAT、动态图和异构图等进阶方向、以及一套可运行的实战代码串起来当成一份系统化的入门笔记。看完后你能理解“图”到底怎么被神经网络消费掉也能自己动手训练一个节点分类模型。适合正在学习图表示学习、准备把 GNN 用到推荐系统、知识图谱、社交网络分析或分子性质预测等场景的开发者。如果已经有深度学习基础理解起来会非常快如果只熟悉传统机器学习我会尽量把前置概念也讲清楚。1. 背景与核心概念1.1 为什么需要图神经网络传统深度学习处理的数据通常是规则的欧氏空间数据比如图像是规则像素网格文本是顺序排列的 token 序列。卷积神经网络和循环神经网络天然依赖这种规则结构。但现实世界中有大量数据是不规则的图结构例如社交网络中的用户关系、电商场景中的用户与商品交互、知识图谱中的实体联系、分子结构中的原子连接关系。这些数据的核心特点是每个样本不是独立的样本之间通过边相互关联每个节点的信息需要结合邻居信息才能完整表达。以社交网络为例想知道一个用户是否可能购买某款商品只看用户自身特征是不够的还需要看他的好友、好友的好友的行为倾向。这种依赖关系很难用传统全连接网络直接建模因为输入维度不固定邻居数量不确定节点顺序也不具有平移不变性。图神经网络Graph Neural Network正是为了解决这类非欧氏空间数据学习问题而设计的。它将图中每个节点表示成一个低维向量并通过迭代聚合邻居信息来更新节点表示最终可以用于节点分类、链接预测、图分类等下游任务。1.2 图的基本数学表示要理解 GNN先要熟悉图的标准表示方法。一个图通常记为 ( G (V, E) )其中 ( V ) 是节点集合( E ) 是边集合。在代码中常见的数据结构包括x节点特征矩阵形状为[N, F]其中 N 是节点数量F 是每个节点的特征维度。edge_index边索引形状为[2, E]表示边的起点和终点。edge_attr边的属性可选形状为[E, D]。y节点标签或图标签用于监督学习。这里最容易混淆的是edge_index的格式。在 PyTorch Geometric 中edge_index是一个 2 行矩阵第一行表示源节点第二行表示目标节点。例如[[0, 1, 2], [1, 2, 0]]表示三条有向边0-1,1-2,2-0。如果是无向图一般需要把反向边也加入或者使用undirectedTrue参数自动处理。还有一种常见表示是邻接矩阵 ( A \in \mathbb{R}^{N \times N} )其中 ( A[i][j]1 ) 表示节点 i 和 j 之间有边。但邻接矩阵在节点多但边少的大规模图上非常浪费内存所以实际框架中更常用edge_index或 CSR 格式。1.3 GNN 和传统神经网络的区别传统神经网络如 CNN处理的是规则网格卷积核在空间滑动所有位置的共享权重使得模型具有平移等变性。而图结构没有这种“规则网格”每个节点的邻居数量都不一样所以需要一种更通用的“邻居聚合”机制。GNN 的核心思想可以概括为两句话每个节点通过自身特征和邻居特征来更新自己的表示。通过多层迭代每个节点的表示可以融合多跳邻居的信息。这和 CNN 的感受野类似第一层看到直接邻居第二层看到两跳邻居层数越多感受范围越大。区别在于GNN 的“卷积操作”是定义在任意图结构上的而不是规则网格上。2. 环境准备与版本说明GNN 落地最常用的语言是 Python基础框架是 PyTorch配合专门的图深度学习库会大大降低开发成本。目前主流的选择有两个PyTorch GeometricPyG基于 PyTorchAPI 简洁内置大量经典模型和数据集适合快速实验。DGLDeep Graph Library支持 PyTorch、TensorFlow、PaddlePaddle 等后端性能优化较好适合大规模图。本文的实战部分将以PyTorch Geometric为主。不过我不建议死记某个具体版本的安装命令因为 PyG 和 PyTorch 的版本绑定比较严格不同的 Python 版本、CUDA 版本对应不同的安装方式。如果你在新环境里安装失败大概率就是版本匹配问题。下面给出一个通用的安装思路以 Python 3.9 或 3.10 环境为例# 1. 先安装 PyTorch建议到 PyTorch 官网生成符合你机器的命令 pip install torch # 2. 安装 PyTorch Geometric 及其依赖 pip install torch-scatter torch-sparse torch-cluster torch-spline-conv -f https://data.pyg.org/whl/torch-${TORCH}${CUDA}.html # 3. 安装主库 pip install torch-geometric注意步骤 2 中的${TORCH}和${CUDA}需要替换成你实际的 PyTorch 版本和 CUDA 版本。如果你的环境不支持编译安装也可以直接尝试pip install torch-geometricPyG 会自动拉取依赖如果遇到二进制兼容问题再回到官网选择匹配的 wheel 包。本文的示例代码大部分只需要 CPU 环境就能运行数据集是 PyG 内置的 Cora 引文网络不需要自己准备数据。核心代码在 PyG 2.x 版本下测试通过如果你用的是老版本个别 API 可能需要微调。3. 图神经网络核心原理拆解3.1 消息传递范式绝大多数 GNN 模型都可以统一到一种“消息传递”范式上。对于一个节点 ( v )它的邻居集合记为 ( N(v) )第 ( k ) 层的节点表示 ( h_v^{(k)} ) 可以通过下面的公式得到把邻居节点的特征“发消息”给中心节点。聚合这些消息求和、均值、最大值等。和中心节点自身特征拼接或加权融合。通过一个非线性变换得到新的表示。写成代码风格的过程如下# 伪代码帮助大家理解消息传递流程 import torch def message_passing(h, edge_index): # h: [N, F] # edge_index: [2, E] src, dst edge_index # src: 源节点dst: 目标节点 # 1. 构造消息直接用源节点特征作为消息 msg h[src] # 2. 聚合消息把目标节点收到的消息求和 aggr torch.zeros_like(h) aggr.index_add_(0, dst, msg) # 3. 更新线性变换 激活函数 updated torch.relu(aggr) return updated当然这只是最简版本。在真实模型中消息构造和聚合方式会复杂得多。理解消息传递范式后再去看 GCN、GAT 等模型你会发现它们只是这个消息传递框架的不同实例。3.2 图卷积网络GCNGCNGraph Convolutional Network是最经典的图卷积模型由 Thomas Kipf 等人提出。它的核心思想是把“邻居特征的平均”定义为卷积操作并加入自环self-loop让节点聚合自身特征。卷积公式如下[ H^{(l1)} \sigma\left( \tilde{D}^{-\frac{1}{2}} \tilde{A} \tilde{D}^{-\frac{1}{2}} H^{(l)} W^{(l)} \right) ]其中(\tilde{A} A I) 表示加了自环的邻接矩阵。(\tilde{D}) 是 (\tilde{A}) 的度矩阵。(W^{(l)}) 是第 (l) 层的可学习权重矩阵。(\sigma) 是激活函数。这个公式看起来很数学但理解起来并不难每个节点的新特征 自身特征和邻居特征加权求和后的结果权重由度的平方根决定起到归一化的作用避免度数高的节点特征值过大。在 PyG 中GCN 的层可以通过GCNConv直接调用核心逻辑如下import torch import torch.nn.functional as F from torch_geometric.nn import GCNConv class GCN(torch.nn.Module): def __init__(self, in_channels, hidden_channels, out_channels): super().__init__() self.conv1 GCNConv(in_channels, hidden_channels) self.conv2 GCNConv(hidden_channels, out_channels) def forward(self, x, edge_index): # x: 节点特征矩阵 [N, in_channels] # edge_index: 边索引 [2, E] x self.conv1(x, edge_index) x F.relu(x) x F.dropout(x, trainingself.training) x self.conv2(x, edge_index) return x值得注意的是GCN 的卷积是“各向同性”的即所有邻居共享相同的权重。这带来一个局限无法区分不同邻居对中心节点的重要性。例如在社交网络中显然有些好友对用户的影响更大GCN 无法学到这种差异。3.3 图注意力网络GAT为了解决 GCN 的“一刀切”问题GATGraph Attention Network引入了注意力机制。它让模型自动学习每条边的权重从而实现不同邻居给予不同的重要程度。GAT 的计算过程可以拆成三步对节点特征做线性变换。计算一对邻居之间的注意力系数。对邻居特征做加权求和。注意力系数公式如下[ \alpha_{ij} \frac{\exp\left(\text{LeakyReLU}(a^T [W h_i | W h_j])\right)}{\sum_{k \in N(i)} \exp\left(\text{LeakyReLU}(a^T [W h_i | W h_k])\right)} ]其中 (|) 表示向量拼接(a) 是一个可学习的注意力向量。这个公式和 Transformer 中 scaled dot-product attention 在思想上是一致的但 GAT 中的注意力是基于邻接关系的而不是全局所有节点。PyG 中自带多头注意力实现GATConvfrom torch_geometric.nn import GATConv class GAT(torch.nn.Module): def __init__(self, in_channels, hidden_channels, out_channels, heads8): super().__init__() self.conv1 GATConv(in_channels, hidden_channels, headsheads) self.conv2 GATConv(hidden_channels * heads, out_channels, heads1) def forward(self, x, edge_index): x self.conv1(x, edge_index) x F.elu(x) x self.conv2(x, edge_index) return x这里heads8表示第一层使用 8 个注意力头每个头独立计算一份特征然后拼接输出所以第二层输入维度需要乘以 8。GAT 比 GCN 更灵活在结构复杂、邻居重要性差异明显的图上表现通常更好。3.4 其他经典图神经网络GraphSAGE、GIN除了 GCN 和 GATGraphSAGE 和 GINGraph Isomorphism Network也是需要了解的经典模型。GraphSAGE 的核心思想是“采样 聚合”。它不直接聚合所有邻居而是每次随机采样固定数量的邻居聚合时可以使用 mean、max、LSTM 等不同聚合器。这种设计让模型可以处理超大图因为每个 batch 只需要局部子图。GIN 则是从图同构测试的角度设计的。它被认为是目前表达能力最强的 GNN 之一能够区分大部分不同结构的图。在分子性质预测等图分类任务中GIN 经常作为 baseline 使用。from torch_geometric.nn import SAGEConv, GINConv # GraphSAGE 示例 class GraphSAGE(torch.nn.Module): def __init__(self, in_channels, hidden_channels, out_channels): super().__init__() self.conv1 SAGEConv(in_channels, hidden_channels) self.conv2 SAGEConv(hidden_channels, out_channels) def forward(self, x, edge_index): x self.conv1(x, edge_index).relu() x self.conv2(x, edge_index) return x总的来说选择哪个基础模型没有绝对答案GCN 简单高效适合入门和中小规模图GAT 在图结构较复杂时表现更好GraphSAGE 适合大规模诱导式学习GIN 适合需要表达能力的图分类任务。4. 动态图与异构图进阶方向4.1 动态图的建模思路前面介绍的 GCN、GAT 都是针对静态图节点和边在训练和推理过程中保持不变。但很多真实场景下图是动态演化的社交网络每时每刻都有新用户和新好友关系交易网络中不断出现新的转账边。这类图被称为动态图。动态图的建模通常有两种思路时间快照法把连续时间切成一个个离散的时间窗口每个窗口内的图看成一个静态图然后用静态 GNN 依次处理再引入 RNN 或 Transformer 建模时序依赖。优点是可以直接复用静态图模型缺点是需要人为设定窗口大小可能丢失窗口内部的精细时序信息。连续时间动态图法用事件驱动的方式处理每一条边的时间戳常见模型有 TGATTemporal Graph Attention Network、TGNTemporal Graph Networks等。它们把时间编码进注意力计算中能够精确建模动态变化。对于初学者建议先掌握时间快照法因为它实现简单也能解决很多实际业务问题。比如按天构图然后每天学习一个图表示再用 LSTM 预测未来几天的用户行为。用 PyG 处理动态图时往往需要引入额外的time信息。以下是一个简化的时间快照训练流程骨架from torch_geometric.loader import DataLoader # 假设 snapshots 是一个 list每一项是一个 PyG Data 快照 snapshots [...] # 每个元素有 x, edge_index, y loader DataLoader(snapshots, batch_size32, shuffleTrue) for batch in loader: x batch.x edge_index batch.edge_index # 使用 GCN/GAT 提取当前时刻节点表示 # 再交给时序模块如 LSTM预测4.2 异构图与元路径异构图是指图中有多种类型的节点或多种类型的边。例如推荐系统里的“用户 - 点击 - 商品 - 属于 - 类目”就是一个典型的异构图节点类型包含用户、商品、类目边类型包含点击、属于等。这种图的主要难点是不同类型的节点有不同的特征维度不能直接放到同一个 GCN 层里做矩阵运算。异构图建模的核心方法是“按边类型分别处理”。具体来说可以先把异构边根据类型分成多个同构子图每个子图使用一个独立的卷积层再将不同子图的结果映射到同一个特征空间后相加或拼接。PyTorch Geometric 对异构图有很好的内置支持使用HeteroData对象定义图再使用to_hetero方法把同构模型自动转换为异构图模型。下面是一个简单的异构图构造示例from torch_geometric.data import HeteroData data HeteroData() # 用户节点特征和标签 data[user].x torch.randn(100, 16) # 100个用户 data[user].y torch.randint(0, 2, (100,)) # 二分类标签 # 商品节点特征 data[item].x torch.randn(200, 32) # 200个商品 # 用户到商品的“点击”关系 data[user, click, item].edge_index torch.randint(0, 100, (2, 500)) print(data)在异构图上训练时可以借助to_hetero自动适配import torch from torch_geometric.nn import to_hetero class GCNEncoder(torch.nn.Module): def __init__(self, hidden_channels, out_channels): super().__init__() self.conv1 GCNConv(-1, hidden_channels) self.conv2 GCNConv(hidden_channels, out_channels) def forward(self, x, edge_index): x self.conv1(x, edge_index).relu() x self.conv2(x, edge_index) return x model GCNEncoder(hidden_channels32, out_channels16) model to_hetero(model, metadatadata.metadata(), aggrsum)这里-1表示自动推断输入特征维度metadata记录了节点类型和边类型信息。to_hetero会自动为每种边类型生成独立的卷积层最后通过aggr参数聚合来自不同类型边的消息。4.3 图扩散卷积与因果推理最近的研究中图扩散卷积Graph Diffusion Convolution和 GNN 与因果推理结合是两个热门方向。图扩散卷积通过模拟信息在图上的传播过程来做聚合把普通的消息传递扩展为多步扩散过程在一定程度上缓解了邻域爆炸和过平滑问题。因果推理与 GNN 结合主要是解决图模型中的混淆偏差问题。例如在商品推荐中节点特征和边关系同时受到流行度影响导致模型学到虚假相关性。这类方法较为前沿工程落地难度也比较大建议先掌握基础的 GCN/GAT再逐步阅读相关论文。5. 完整实战案例Cora 数据集节点分类下面我们基于 PyTorch Geometric 内置的 Cora 数据集完成一个完整的节点分类任务。Cora 是一个引文网络包含 2708 篇科学论文每篇论文由一个 1433 维的词袋向量表示论文之间通过引用关系连接每篇论文属于 7 个类别之一。5.1 创建项目结构与加载数据新建一个项目文件夹例如gnn_demo里面创建main.py文件。完整的文件结构如下gnn_demo/ └── main.py然后在main.py中导入数据和模型组件import torch import torch.nn.functional as F from torch_geometric.datasets import Planetoid from torch_geometric.transforms import NormalizeFeatures from torch_geometric.nn import GCNConv, GATConv加载数据集时Planetoid会自动下载 Cora 数据。首次运行需要网络下载建议在能联网的环境执行。# 加载 Cora 数据集并做特征归一化 dataset Planetoid(rootdata/Cora, nameCora, transformNormalizeFeatures()) data dataset[0] print(f节点数量: {data.num_nodes}) print(f边数量: {data.num_edges}) print(f特征维度: {data.num_node_features}) print(f类别数量: {dataset.num_classes})预期输出类似节点数量: 2708 边数量: 10556 特征维度: 1433 类别数量: 7Cora 数据集已经划分好了训练集、验证集和测试集分别通过data.train_mask、data.val_mask、data.test_mask标识。5.2 定义模型我们分别定义一个 GCN 模型和一个 GAT 模型方便对比。class GCN(torch.nn.Module): def __init__(self, in_channels, hidden_channels, out_channels): super().__init__() self.conv1 GCNConv(in_channels, hidden_channels) self.conv2 GCNConv(hidden_channels, out_channels) def forward(self, x, edge_index): x self.conv1(x, edge_index) x F.relu(x) x F.dropout(x, p0.5, trainingself.training) x self.conv2(x, edge_index) return xGAT 模型class GAT(torch.nn.Module): def __init__(self, in_channels, hidden_channels, out_channels, heads8): super().__init__() self.conv1 GATConv(in_channels, hidden_channels, headsheads) self.conv2 GATConv(hidden_channels * heads, out_channels, heads1) def forward(self, x, edge_index): x self.conv1(x, edge_index) x F.elu(x) x F.dropout(x, p0.5, trainingself.training) x self.conv2(x, edge_index) return x如果你的机器资源有限可以把 GAT 的hidden_channels调小例如 8heads调为 4。5.3 训练函数与验证函数训练和验证的逻辑与普通 PyTorch 模型非常相似核心区别在于数据是整张图载入的而不是按 batch 载入。对 Cora 这种中等规模图整图训练完全可行。def train(model, data, optimizer, criterion): model.train() optimizer.zero_grad() out model(data.x, data.edge_index) loss criterion(out[data.train_mask], data.y[data.train_mask]) loss.backward() optimizer.step() return loss.item() def evaluate(model, data, mask): model.eval() with torch.no_grad(): logits model(data.x, data.edge_index) pred logits.argmax(dim1) correct (pred[mask] data.y[mask]).sum().item() acc correct / mask.sum().item() return acc5.4 训练并对比效果下面分别训练 GCN 和 GAT各跑 200 个 epoch看效果可以 100 个 epoch并输出最优验证准确率对应的测试准确率。def run_experiment(model_class, data, hidden32, lr0.01, epochs200): if model_class.__name__ GAT: model model_class(dataset.num_features, 16, dataset.num_classes, heads8) else: model model_class(dataset.num_features, hidden, dataset.num_classes) optimizer torch.optim.Adam(model.parameters(), lrlr, weight_decay5e-4) criterion torch.nn.CrossEntropyLoss() best_val_acc 0 best_test_acc 0 for epoch in range(epochs): loss train(model, data, optimizer, criterion) val_acc evaluate(model, data, data.val_mask) test_acc evaluate(model, data, data.test_mask) if val_acc best_val_acc: best_val_acc val_acc best_test_acc test_acc if (epoch 1) % 20 0: print(fEpoch {epoch1:3d}, Loss: {loss:.4f}, Val Acc: {val_acc:.4f}, Test Acc: {test_acc:.4f}) return best_test_acc print( GCN ) gcn_acc run_experiment(GCN, data) print(fGCN 最优测试准确率: {gcn_acc:.4f}) print( GAT ) gat_acc run_experiment(GAT, data) print(fGAT 最优测试准确率: {gat_acc:.4f})运行结果会因为有随机性而略有浮动。在相同条件下GAT 通常能比 GCN 高出 12 个百分点但这并不代表 GAT 在所有数据集中都优于 GCN。由于 Cora 数据规模较小随机种子对结果影响较大如果想要固定结果可以在代码开头加torch.manual_seed(42) torch.cuda.manual_seed_all(42)5.5 结果说明训练完成后你会得到 GCN 和 GAT 的测试准确率。这里需要解释一下两种模型在 Cora 上的表现差异GCN 是均值聚合所有邻居权重相同在标签同质性较强的引文网络里已经能取得不错效果。GAT 通过注意力机制自适应学习邻居权重能够削弱低质量邻居的影响理论上表达能力更强。但由于 Cora 只有 2708 个节点、10556 条边数据规模小GAT 的多头注意力机制会增加参数数量容易过拟合所以优势不会特别明显甚至有时会差于 GCN。这说明一个很重要的工程观点模型越复杂不一定效果越好要结合数据规模和数据特性做选择。6. 常见问题与排查思路6.1 安装 PyG 总是报错问题现象常见原因解决思路导入 torch_geometric 报错依赖库与 PyTorch 版本不匹配确认 torch、CUDA、Python 版本重新安装匹配的 wheel 包缺少 torch_scatter 等模块未安装扩展包按官方安装命令安装 torch-scatter、torch-sparse、torch-cluster版本不匹配导致编译失败混用了不同源的包统一从 PyG 官方 wheel 源安装建议安装前先查看 PyTorch 版本python -c import torch; print(torch.__version__, torch.version.cuda)再去 PyG 官方安装页面生成对应命令。6.2 edge_index 数据不对导致维度错误常见报错RuntimeError: index 123 is out of bounds for dimension 0 with size 50这个错误通常是因为edge_index里的节点编号超出了节点数量范围。请检查edge_index.max() 应小于 num_nodes edge_index.min() 应大于等于 0如果你自己构造图一定要保证节点编号是连续的整数。6.3 训练 loss 不下降可能原因没有做特征归一化。学习率设置不合理。标签 mask 没有正确划分导致训练集为空。模型输入输出维度不匹配导致梯度传播异常。建议按下面顺序排查打印data.x.shape、data.edge_index.shape、data.y.shape是否合理。打印data.train_mask.sum()确认训练集有样本。尝试把学习率调到 1e-3 或 1e-2。使用Linear层做 baseline排除 GNN 层的问题。6.4 多层 GNN 叠加后效果变差很多初学者在堆叠很多层 GCN 后会发现模型效果不升反降甚至所有节点的输出趋于一致。这是图神经网络的“过平滑”现象随着层数增加每个节点的表示包含的邻居信息过多节点间的差异性被逐渐抹平。解决办法模型层数控制在 23 层。使用残差连接Residual Connection。使用 JK-NetJumping Knowledge Network或 PairNorm 等技巧。对于深层邻域信息不一定非要加层可以尝试用扩散卷积代替。7. 最佳实践与工程建议7.1 数据准备阶段先检查图连通性。如果图分散为多个不连通子图注意 batch 内是否包含孤立节点。对节点特征做归一化。很多图数据的特征取值范围差异大例如论文词频向量、用户行为计数不归一化容易导致训练不稳定。验证标签分布。如果是节点分类检查训练集、验证集、测试集的类别分布是否接近避免评估结果失真。7.2 模型设计阶段优先从 GCN 开始建立 baseline。如果 baseline 效果尚可再尝试 GAT、GraphSAGE 等复杂模型。不要盲目堆层。2 层 GNN 已经能捕获二阶邻居信息大多数中小图场景够用。对于超大图使用 GraphSAGE 或 Cluster-GCN 之类的采样训练方式避免整图 GPU 显存溢出。7.3 训练与评估阶段固定随机种子保证实验可复现。记录多次实验的均值与标准差不要只看一次结果。提前停止策略很重要。使用验证集监控过拟合。如果类别不平衡在损失函数中使用类别权重或者使用 Focal Loss。测试集准确率只能在调参结束后评估一次避免信息泄露。7.4 工程部署与安全边界GNN 模型上线时很多团队会遇到“离线效果不错线上特征对不上”的问题。原因通常是线上图的构造方式和离线不一致比如离线包含了未来边或特征时序错位。因此在工程化时要注意明确图构建的采样时间点保证没有未来信息泄漏。对边的时效性做衰减或截断避免老旧的边影响当前预测。如果涉及用户隐私或商业敏感信息必须进行脱敏处理并遵循最小权限原则在测试环境验证后再发布到生产。对模型输出做必要的风险控制。例如推荐或反欺诈场景需要设定置信度阈值不满足条件的请求走人工审核或兜底策略。7.5 代码可维护性建议将图构造、特征工程、模型定义、训练评估拆分为不同模块。使用 config 文件管理超参数而不是硬编码在代码里。为模型增加日志记录包括 loss、准确率、显存占用等。将 PyTorch Geometric 版本、PyTorch 版本记录在 requirements.txt 中保证可复现。8. 总结与学习路线这篇文章从图的表示出发介绍了图神经网络的核心——消息传递机制并详细拆解了 GCN、GAT 两个最经典的模型。在此基础上简单延伸了 GraphSAGE、GIN、动态图和异构图等进阶方向并通过 Cora 节点分类实战跑通了一套完整代码。如果只看不练理解很难真正落地。建议你对照代码把 GCN 换成 GAT、GraphSAGE 试一遍观察不同模型在测试集上的差异再尝试改造一个自己的数据集。下一步可以按这样的路径继续深入熟悉 PyTorch Geometric 内置的更多数据集例如 PubMed、CiteSeer、Amazon、Reddit。掌握DataLoader、NeighborSampler等批量训练方法向大规模图迈进。阅读带源码的论文复现项目例如 GAT、GraphSAGE、GIN、JK-Net。针对自己的业务场景尝试把关系型数据建模成同构图或异构图并完成端到端训练。入门时不要盲目追求最新模型先吃透 GCN、GAT 的原理和实现再看图扩散卷积、因果推理等前沿方向。如果你在跑代码时遇到问题优先检查 PyG 版本、edge_index类型和节点编号范围绝大多数入门坑都集中在这几个地方。希望这篇文章能帮你少走一些弯路。