图神经网络实战：从数据构建到信任评估的完整PyTorch Geometric代码解析

简介：这是一份面向机器学习研究者和开发者的开源课程期末作业，提供基于GAT与GRU的动态信任评估模型（DTEM）Python实现与完整使用说明。模型从用户社交联系、用户特征和历史交互序列出发，同时捕获信任的空间依赖性和时间依赖性，弥补传统方法难以刻画信任动态变化的不足，适合推荐系统、网络安全、社交平台等信任相关场景。资源包共121个文件、约84.82MB，以Python源码（py）、序列化数据（pkl）、社交网络数据（csv）为主，附有配置说明（xml）、运行日志（log）与模型权重（pth），目录结构清楚，便于定位代码、数据与文档。已有68人学习或下载。用户可获得可直接运行的模型代码、图快照与训练嵌入数据、预测结果样例以及详细使用说明，覆盖数据预处理、模型训练、验证与测试完整流程，为实践图神经网络信任评估或扩展DTEM提供了宝贵参考。

1. 这个期末作业，值得你花一个周末去读懂它

课程期末作业里出现「图神经网络 + 信任评估」这个组合，通常意味着你已经迈过了 CNN/RNN 的入门门槛，开始接触非欧几里得数据上的建模。信任评估本身是个老问题——电商平台判断买家是否可信、社交网络识别虚假账号、P2P 借贷预估违约风险，这些场景的共同点是数据天然带着「关系」：谁和谁交易过、谁关注了谁、谁为谁做过担保。传统机器学习把这些关系拍平成特征向量，而图神经网络（GNN）直接在关系结构上做消息传递，让每个节点的表征由它的一跳、二跳邻居共同决定。一个用 Python 实现的 GNN 信任评估开源项目，正好是一份把「图定义、模型搭建、训练评估」全部串起来的完整代码，而不是只会调库的 demo。适合两类人：一是期末要交作业、需要一份能跑通又能讲清楚原理的代码；二是想入坑图神经网络、但不想从论文公式啃起的 Python 开发者——跟着这份代码把数据集换掉，你就能复用到自己的信任评分场景里。

2. 先摸透信任评估的数据形态：从关系表到图结构的三个关键决策

2.1 为什么信任评估必须用图，而不是普通分类器

信任评估的核心难点在于「信息不对称」：你很难从单个用户自己的属性判断他是否可信，但如果你知道他经常和一群高信誉用户交易、且这群人愿意给他背书，你的判断会准确得多。这是典型的「邻居信息决定节点标签」的问题，和图神经网络的设计动机完全吻合。普通分类器（逻辑回归、XGBoost）只能看到节点自身的特征向量，需要你手动构造「邻居统计量」——比如「该用户的交易对象中好评占比」，这种手工特征既丢失了图的结构信息，又无法泛化到不同规模的子图。GNN 的做法是每一层卷积都让节点聚合邻居的表征，经过两层、三层堆叠后，节点的向量里天然包含了「我朋友的朋友怎么看我」的信息。对信任评估来说，这个归纳偏置比任何手工特征都更贴合业务直觉。

另一个容易被忽视的点是信任评估的数据往往天然是异构图：用户节点、交易节点、商品节点、评价节点，它们之间有不同的边类型。你当然可以把异构图压缩成同构图（只保留用户之间的交易关系），但这样会丢掉评价内容、担保关系等强信号。一个设计良好的开源项目，通常会把节点类型和边类型编码进图数据里，让模型自己决定哪些关系对信任判定更重要。这和「把图像像素排列成向量」是本质区别——图的拓扑结构本身就在表达信息，你不能把它拍平。

2.2 文件拆解与数据格式约定：读代码前先读数据

我一般拿到开源项目的第一步不是打开模型文件，而是先看数据目录和加载脚本。这份项目的常见做法是用三个文件描述一张图：节点属性表、边表、标签文件。节点属性表通常是 CSV，每一行是一个用户或实体，列包含node_id、feature_1到feature_n；边表也是 CSV，包含src_node、dst_node、edge_type和可选的edge_weight；标签文件则是对齐节点 ID 的信任标签，1代表可信、0代表不可信。加载时最常踩的坑是 ID 对齐——模型里用的节点索引必须从 0 开始连续编号，而原始数据里的 ID 往往是字符串或者带跳号的数字，这一步映射错了，后面的准确率永远上不去。

# data_loader.py: 构建图数据的标准流程 import pandas as pd import torch from torch_geometric.data import Data # 1. 读取节点特征，假设 CSV 第一列是 node_id，其余列是特征 node_df = pd.read_csv("data/nodes.csv") node_ids = node_df["node_id"].tolist() # 2. 关键步骤：把原始 ID 映射成从 0 开始的连续索引 id2idx = {nid: i for i, nid in enumerate(node_ids)} node_features = torch.tensor(node_df.drop(columns=["node_id"]).values, dtype=torch.float) # 3. 读取边表，并把边的两个端点映射到连续索引 edge_df = pd.read_csv("data/edges.csv") src = [id2idx[s] for s in edge_df["src_node"]] dst = [id2idx[d] for d in edge_df["dst_node"]] edge_index = torch.tensor([src, dst], dtype=torch.long) # 4. 读取标签并同样映射 label_df = pd.read_csv("data/labels.csv") labels = torch.tensor( [label_df.set_index("node_id").loc[nid, "label"] for nid in node_ids], dtype=torch.long ) data = Data(x=node_features, edge_index=edge_index, y=labels) print(f"图数据构建完成：{data.num_nodes} 个节点，{data.num_edges} 条边")

这段代码里有三个决策点决定了后续模型能不能训起来。第一，id2idx映射必须覆盖边表和标签里出现的所有 ID，一旦源数据里有孤立节点或者缺失标签，这里就会报 KeyError；我习惯在映射前先做一次集合运算，找出「在边表里出现但不在节点表里」的 ID，这些往往是脏数据，直接丢弃而不是强行补零。第二，edge_index的形状必须是[2, num_edges]，PyTorch Geometric 约定第一行是源节点、第二行是目标节点，写反了图就变成有向图的反向边，GCN 的对称聚合会掩盖这个问题，但 GAT 这类注意力模型会直接被带偏。第三，标签的顺序必须和node_ids一一对应，这也是为什么要用set_index对齐而不是直接按行读取。四个步骤全部完成之后，建议顺手打印data.is_undirected()和data.contains_isolated_nodes()，这两行检查能帮你省掉后面排查模型不收敛的两个小时。

2.3 特征工程与边权重的坑：要不要归一化、怎么处理缺失值

图神经网络的输入特征和传统机器学习一样需要预处理，但多了两条特殊规则。先说归一化，Data.x如果喂进去的是原始数值——比如交易金额、注册天数、历史订单数——数值范围差异会直接主导第一轮消息传递，因为消息聚合本质上是加权求和，大数值邻居的表征会淹没小数值邻居。常见做法是对每一列做 z-score 归一化，或者缩放到[0, 1]区间。但要注意，对「度中心性」这种本身就反映结构信息的特征，不要做归一化后直接删掉，GNN 的邻居聚合没办法天然学到节点的度信息，你需要把它作为显式特征保留。

缺失值处理上，信任评估数据里最常见的缺失是「该用户没有某类行为」，比如从未发过评价。一个常见但错误的做法是把缺失填成-1，这会给模型一个虚假的「负向信号」。更好的做法是填该特征的全局中位数，同时补一个is_missing标志位。边权重也值得单独说：如果业务场景里交易金额能反映信任强度，不要把权重直接作为edge_attr传给所有卷积层——GCNConv默认不消费边权重，你需要选择SAGEConv或者GATConv这类支持edge_attr的算子，否则权重写了等于没写。

3. 把图神经网络模型搭起来：GCN、GAT、GraphSAGE 怎么选，三份核心代码

3.1 信任评估场景下模型选型的三个真实约束

搞清楚了数据形态，下一步是模型选型。很多教程喜欢把 GCN、GAT、GraphSAGE 并列介绍，好像它们只是精度的差别。但在信任评估这个具体任务里，选型要考虑的不只是精度，而是「你是否要向老师/同事解释清楚为什么这个模型有效」。如果你的项目要求可解释性——比如要说明「哪些邻居节点影响了这个用户的信任判定」——GAT 比 GCN 更适合，因为注意力权重可以直接可视化。如果你的数据集规模在十万节点以上，且训练时 OOM 频发，GraphSAGE 的邻居采样机制能让你用小批量训练，而 GCN 需要整图加载。如果你的论文章节需要和「标准的两层 GCN baseline」对比，那模型主体选 GCN、把 GAT 作为消融实验是比较稳妥的结构安排。

还有一个容易被忽略的点：你的边是有向的还是无向的。信任关系天然有方向——A 信任 B 不代表 B 信任 A。但 GCN 的卷积公式默认处理无向图，如果你直接喂有向边，GCN 会通过「加自环 + 对称归一化」把有向图强行变成无向图的聚合方式，方向信息就丢了。我一般会在预处理时问自己一个问题：「把这条边反过来，业务含义还一样吗？」如果不一样，就改用GATConv并把concat设为True，让注意力机制天然区分「A 指向 B」和「B 指向 A」两条边。

3.2 模型定义：两层的消息传递为什么是经验默认值

基于以上选型逻辑，下面这份代码是最常见且稳妥的两层 GCN 实现。它把 128 维节点特征映射到隐藏层，再映射到二分类 logits。两个关键设计是dropout放在第一层之后而不是第二层之后，以及输出层不加激活函数、把分类交给CrossEntropyLoss。

# model.py: 两层 GCN 分类模型 import torch import torch.nn as nn import torch.nn.functional as F from torch_geometric.nn import GCNConv class TrustGNN(nn.Module): def __init__(self, in_channels, hidden_channels, out_channels=2): super().__init__() # 第一层：负责聚合一跳邻居信息 self.conv1 = GCNConv(in_channels, hidden_channels) # 第二层：负责聚合二跳邻居信息，并映射到分类维度 self.conv2 = GCNConv(hidden_channels, out_channels) self.dropout = nn.Dropout(p=0.5) def forward(self, x, edge_index): # 第一跳消息传递 + ReLU + Dropout x = self.conv1(x, edge_index) x = F.relu(x) x = self.dropout(x) # 第二跳消息传递，输出未归一化的 logits x = self.conv2(x, edge_index) return x

这段代码的每个参数都有业务上的考量。in_channels必须等于Data.x的第二维大小，如果你的特征有 200 列但这里填了 128，PyTorch Geometric 会直接报维度不匹配，不会给你任何友好提示。hidden_channels的经验起步值是 64 或 128，太小意味着模型学不到邻居组合的模式，太大意味着在小数据集上过拟合——信任评估标注数据通常只有几千条，128 维往往已经够用。为什么是两层而不是三层或一层？一层只能感知直接邻居，相当于「只看和我交易过的人」；两层能感知「朋友的朋友」，这是信任传播最经典的路径长度；三层以上理论上有更强表达能力，但每多一层，标签传播的范围就越广，噪声被放大，训练不稳定。本项目里你大可以写清楚这个设计决策——「采用两层 GCN，与信任传播的社交半径一致」——这句话在答辩时比任何超参调优都值钱。

如果想换 GAT，只需把GCNConv替换成GATConv，但注意GATConv多一个heads参数，多头注意力默认 8 头，输出维度会变成hidden_channels * 8，下一层的in_channels要跟着改。这是换模型时最容易翻车的衔接点，很多同学第一层 GAT 输出 64 维、第二层 GCN 输入还是 64，跑起来直接形状不匹配，回头检查才发现忘了乘heads。

3.3 训练脚本的主循环：为什么用掩码而不是随机划分

图神经网络的训练脚本和普通 PyTorch 训练脚本最大的区别在数据划分。普通机器学习可以随便train_test_split，但图数据不能这么做——因为测试集节点的邻居很可能就在训练集里，随机划分会导致「信息泄漏」，模型其实是通过邻居的标签作弊，而不是学到了真正的信任模式。常见的正确做法是使用节点掩码：随机选一部分节点作为训练集，一部分作验证集，剩下的作测试集，但保证边结构完全不变。

# train.py: 训练主循环 import torch import torch.nn.functional as F from torch_geometric.utils import train_test_split_edges # 先划分节点掩码，注意这在 DataLoader 之前就要完成 num_nodes = data.num_nodes perm = torch.randperm(num_nodes) train_mask = torch.zeros(num_nodes, dtype=torch.bool) val_mask = torch.zeros(num_nodes, dtype=torch.bool) test_mask = torch.zeros(num_nodes, dtype=torch.bool) train_mask[perm[:int(0.6 * num_nodes)]] = True val_mask[perm[int(0.6 * num_nodes):int(0.8 * num_nodes)]] = True test_mask[perm[int(0.8 * num_nodes):]] = True model = TrustGNN(in_channels=data.num_node_features, hidden_channels=128) optimizer = torch.optim.Adam(model.parameters(), lr=0.01, weight_decay=5e-4) def train(): model.train() optimizer.zero_grad() out = model(data.x, data.edge_index) loss = F.cross_entropy(out[train_mask], data.y[train_mask]) loss.backward() optimizer.step() return loss.item() def evaluate(mask): model.eval() with torch.no_grad(): out = model(data.x, data.edge_index) pred = out.argmax(dim=1) correct = pred[mask].eq(data.y[mask]).sum().item() acc = correct / mask.sum().item() return acc best_val_acc = 0.0 for epoch in range(200): loss = train() val_acc = evaluate(val_mask) if val_acc > best_val_acc: best_val_acc = val_acc torch.save(model.state_dict(), "best_model.pt") if epoch % 20 == 0: print(f"Epoch {epoch:3d} | Loss {loss:.4f} | ValAcc {val_acc:.4f}") # 加载最优模型并测试 model.load_state_dict(torch.load("best_model.pt")) test_acc = evaluate(test_mask) print(f"Test Accuracy: {test_acc:.4f}")

这段代码里最值得玩味的是三个掩码的比例和划分方式。60/20/20 是经验值，但如果你把训练集比例调到 80%，测试集只有 20% 时方差会很大——因为测试节点一旦处于图的边缘（邻居很少），模型对它的预测置信度本身就低。randperm保证划分是随机的，但随机不等于均匀：如果小数据集上恰好把某个连通分量全划进了测试集，测试准确率会断崖式下跌。我踩过这个坑后，习惯做法是打印每个掩码子图的连通分量数量，如果发现测试集的连通分量跟训练集完全隔离，说明这次划分没有参考价值，要重新randperm一次。cross_entropy要求out[train_mask]的形状是[N_train, num_classes]，data.y[train_mask]是[N_train]，掩码机制在这里天然帮你过滤了非训练节点。还有个细节是weight_decay设为5e-4，这是 PyTorch Geometric 官方示例的常见配置，主要作用是抑制隐藏层权重过大，本质上是给图模型做正则化——因为图模型的参数量虽然不大，但邻居聚合会放大过拟合的风险。

3.4 边划分的隐坑：当你的任务变成「预测边」而不是「预测节点」

很多信任评估的真实业务不是判断一个用户可不可信，而是预测「两个用户之间的信任关系是否存在」。这时候train_test_split_edges提供的边划分逻辑会完全不同——它是把边列表随机分成训练边、验证边、测试边，并在训练时把验证/测试边从图里去掉，然后用「负采样」生成不存在的边作为负样本。这个切换不是简单改一个函数，而是整套评估逻辑的变化：预测节点标签时你评估的是分类准确率，预测边时你要计算 AUC 或 Hits@K。

如果你拿到的原始数据里明确有「A 信任 B」这样的关系对，而不是用户标签，建议把模型改成GATConv+ 边的点积评分：对每条候选边(u, v)，把经过 GNN 编码后的z_u和z_v做内积，再经过 sigmoid 得到关系存在的概率。这样做的原因是GCNConv的两层聚合会把邻居信息平均化，而GATConv的注意力机制能捕捉「谁对谁的信任更重要」。但注意这是方案级的改动，三份核心代码里你至少要动模型定义和训练循环两个文件，我建议如果期末时间紧，优先把节点分类这条线跑通，边预测留给文档里的「进阶方向」。

4. 从「能跑」到「结果可信」：评估指标、超参设置与可视化验证

4.1 准确率之外的第二个指标：为什么只看 Accuracy 会被老师追问

图神经网络在信任评估这类正负样本不平衡的任务上，Accuracy 往往是骗人的。假设数据里 90% 的用户是可信的，你全预测成可信，准确率就有 90%，但这完全没用——因为信任评估的价值在于发现那 10% 的不可信用户。所以评估代码里至少要有 F1-score 和 AUC 两个指标。F1-score 在sklearn.metrics里一行就能算，但你必须明确用average='binary'还是'macro'——信任评估通常关心「不可信」这一类别的识别率，所以用pos_label=0的 binary F1 更有业务含义。

# evaluate.py: 补充评估指标 from sklearn.metrics import f1_score, roc_auc_score def evaluate_full(mask): model.eval() with torch.no_grad(): out = model(data.x, data.edge_index) prob = torch.softmax(out, dim=1)[:, 1] # 注意：正类别定为"不可信" pred = out.argmax(dim=1) y_true = data.y[mask].cpu().numpy() y_pred = pred[mask].cpu().numpy() acc = (y_true == y_pred).mean() f1 = f1_score(y_true, y_pred, pos_label=1) auc = roc_auc_score(y_true, prob[mask].cpu().numpy()) return {"acc": acc, "f1": f1, "auc": auc}

pos_label=1这个参数取决于你的标签定义——我在前面的数据加载代码里默认1代表不可信，因为业务里「发现坏人」比「确认好人」更重要。如果你项目里1代表可信，这里要改成pos_label=0，否则 F1 和 AUC 的数值会误导你。roc_auc_score要求输入是概率而不是类别，所以一定要先过softmax取正类概率。这三个指标一起报告，老师一眼就能看出你不是只抄了跑通的 demo，而是理解了「在信任评估里，正样本通常是要被识别出的少数派」。

4.2 超参数表：照着这张表调，能省下你两天的玄学调参

GNN 的超参数比 CNN 少，但每个参数的敏感度极高。下面这张表是我跑过多个信任评估数据集后的经验值，适用条件是「节点数 1 万以内、特征维度 100 左右」，大图要相应调整。

这里我想特别强调learning_rate和dropout的联动关系。很多同学遇到训练 loss 不降，第一反应是把学习率调大，结果模型直接发散。在图神经网络里，因为消息传递会放大梯度的传播范围，学习率过大比过小更容易翻车。我的血泪经验是：前 50 轮 loss 在 0.7 附近抖动是正常的，因为模型还在学习邻居聚合的权重；如果 100 轮后还在 0.7 附近不动，先看是不是特征没归一化，再看edge_index是不是有自环问题，最后才是调学习率。

4.3 可视化验证：把模型学到的嵌入画出来，确认它不是黑匣子

训练完成后，建议花半小时做一次嵌入可视化。把最后一个卷积层输出的节点表征用 T-SNE 降维到二维并散点图染色，你会发现可信节点和不可信节点在嵌入空间里呈现聚类趋势——如果两类点完全混在一起，说明模型没有学到有效表征，再怎么调参也没用；如果分得很开，除了说明模型有效，还能帮助你发现「哪些节点被错误聚类」，这些往往是图结构里的桥梁节点或者异常节点。

# visualize_embedding.py: 嵌入层可视化 from sklearn.manifold import TSNE import matplotlib.pyplot as plt def get_embedding(): model.eval() with torch.no_grad(): # 提取第二层卷积前的表征，即经过两层聚合后的节点向量 x = F.relu(model.conv1(data.x, data.edge_index)) x = model.dropout(x) embedding = model.conv2(x, data.edge_index) return embedding.cpu().numpy() emb = get_embedding() tsne = TSNE(n_components=2, perplexity=30, random_state=42) emb_2d = tsne.fit_transform(emb) plt.scatter(emb_2d[:, 0], emb_2d[:, 1], c=data.y.cpu().numpy(), cmap="coolwarm", s=5) plt.savefig("embedding_tsne.png", dpi=150)

T-SNE 的perplexity参数对结果影响很大，默认 30 在节点数少于 1000 时会导致散点图畸形，这时可以调到 5 到 15 之间。random_state固定是为了让结果可复现——答辩时老师问「你这个图是随便画的还是稳定的」，你可以直接跑三次给他看聚类结构一致。散点图的颜色标签一定要用data.y而不是某个掩码子集，否则你会误以为只有训练集被正确分类。这段可视化代码加到项目的README.md的「运行结果」章节里，整个项目的完成度会提升一个档次——因为它证明了你的模型有可解释性，而不是只能输出一个准确率数字。

5. 避坑手册：五个让新手夜不能寐的图数据暗礁

5.1 训练 loss 正常下降，但测试集准确率永远是 50%

现象：训练集上准确率能到 95%，验证集也还正常，但一换到测试集就崩成随机猜测。原因：节点掩码划分时，测试集节点与训练集节点在图中存在大量边连接，测试集节点的邻居信息泄漏进了训练过程。本质上不是代码 bug，而是数据划分逻辑没有遵循「图结构不参与划分」的原则。解决：把划分方式改成「按连通分量划分」或者「按边的传播半径划分」——确保测试集节点在 N 跳以内不接触训练集节点。如果数据集太小做不到严格隔离，至少要保证训练集、验证集、测试集的节点不共享同一个大的连通分量，否则你的「测试准确率」其实是「模型记住了训练数据的传播」。

5.2edge_index里有重复边，模型训练时 loss 震荡

现象：训练 loss 忽高忽低，收敛后验证集 F1 依然不稳定。原因：原始边表存在重复记录（比如同一对用户交易了多次），GCNConv在做邻接矩阵归一化时会重复计算这些边的权重，导致消息传递时某些邻居的表征被加倍放大。解决：加载边表后立即去重，最稳妥的做法是用torch.unique按边的方向去重，并在去重前先决定要不要保留自环。如果你做的是信任评估，A 信任 B 和 B 信任 A 是两个不同含义，去重时不能简单地sort后再去重，否则会把有向边吞掉一半。

# 去重代码：保留有向边，去掉完全重复的记录 edge_pairs = set(zip(src, dst)) src_unique = [s for s, _ in edge_pairs] dst_unique = [d for _, d in edge_pairs] edge_index = torch.tensor([src_unique, dst_unique], dtype=torch.long)

5.3DataLoader抛错：edge_index的维度对不上

现象：报错信息是RuntimeError: index out of bounds或者expected edge_index to be a LongTensor。原因：大概率是 Python 的列表里混入了numpy.int64类型，PyTorch Geometric 对索引张量的 dtype 检查很严格。解决：统一转换时不要用torch.tensor([src, dst])直接包，先用np.array(src, dtype=np.int64)强制类型，再转 torch。还有一个隐蔽情况是id2idx映射时有的 ID 没映射上（比如标签文件里有个user_abc在节点表里不存在），导致列表里出现None，torch.tensor会把它转成浮点数而不是报错——排查方法是去重后检查len(src) == len(dst)，再检查max(src) < num_nodes。

5.4 图太大跑不动 OOM，但你的作业根本不需要全图

现象：加载 5 万节点以上的图，Data对象建好了，训练时显存直接爆掉。原因：GCN 的整图前向传播需要把整个邻接矩阵和所有中间表征留在内存里，复杂度随节点数线性增长，但中间变量乘法增长。解决：先评估你的数据集规模——如果老师要求你跑一个 10 万节点以上的真实数据集，我建议换 GraphSAGE 并用NeighborSampler做小批量训练，每个 batch 只采样固定数量的邻居节点，显存占用可控。如果数据集本身不大但显存爆了，检查是不是特征维度太高了——把 64 维的特征降到 16 维，很多时候对准确率没什么明显影响。

5.5 模型训练完，结果比简单规则还差，老师问你怎么解释

现象：你用 GNN 跑出来的 F1 是 0.65，而一个「交易次数 > 5 就标记为可信」的规则能达到 0.70。原因：不是模型不行，而是你的特征没有包含规则所用到的关键信号。信任评估里，交易频次、历史纠纷数、注册时长这些强特征如果被埋没在几百维的稀疏特征里，GNN 的邻居聚合很难把它们单独提取出来。解决：第一步，检查Data.x里有没有这些强特征，没有就补上；第二步，把模型输出和规则输出做对比，用sklearn.metrics.confusion_matrix看 GNN 错在哪里——如果错在「高交易频次但低可信度」的样本上，说明模型没有捕捉到「频次高也可能造假」的负相关模式，这时候应当增加一层或者改 GAT 让注意力去关注异常邻居。

6. 进阶玩法：把你的项目从期末作业升级成能写进简历的信任评分工具

最后一章我想分享一个让整个项目「脱胎换骨」的具体技巧：把「节点二分分类」换成「Top-K 排序」，并给出新的评估维度。信任评估在生产环境里几乎不会只输出「可信/不可信」两个标签——风控系统需要的是「哪些用户最可疑」，是排序问题，不是分类问题。做法是保留前面训练好的 GNN 模型，但把最后一层的out_channels从 2 改成 1，输出一个标量信任分，然后用 pairwise ranking loss 训练。

# ranking_head.py: 从分类头换成排序头 class TrustRankingHead(nn.Module): def __init__(self, hidden_channels): super().__init__() self.conv = GCNConv(hidden_channels, 1) # 输出标量信任分 def forward(self, x, edge_index): score = self.conv(x, edge_index).squeeze(-1) return score # 分数越高代表越可信

对应的 loss 我习惯用 margin ranking loss：对每个 batch 采样「一对用户」，一个是高信任（正样本）、一个是低信任（负样本），要求正样本的得分比负样本至少高出一个 margin。这种训练方式有两个好处：一是绕开了类别不平衡问题，二是模型自然学会了「区分度」——分类模型只关心决策边界，排序模型关心的是分数的相对顺序。评估指标也要换成Hits@K和NDCG，不过如果期末时间紧，用「测试集 Top-10% 命中率」这一个指标就够了，老师一看就明白你懂得评估的进阶意义。

这个改动的收益是巨大的：你的项目标题可以从「基于图神经网络的信任评估」变成「基于图神经网络的信任评分与 Top-K 风险排序」，前者像课程作业，后者像实习项目。另外建议在 README 里补一个真实场景映射段——把「用户-用户信任」换成「设备-设备关联风险」「商家-供应商履约风险」，每换一个场景只需要改数据和特征列名，模型代码可以原封不动。这是我做这类项目最深的体会：GNN 的价值不在于某个数据集上的 SOTA 数字，而在于「关系结构」这一维信息被引入后，模型对陌生节点的泛化能力。最后我想说，如果这份代码你从头到尾自己跑通并改过其中一个模块，你收获的不仅是一份作业，而是图神经网络从数据到部署的完整手感——希望帮到你。

本文还有配套的精品资源，点击获取