图神经网络实战（9）——GraphSAGE详解与实现

0. 前言

GraphSAGE 是专为处理大规模图而设计的图神经网络 (Graph Neural Networks, GNN) 架构。在科技行业，可扩展性是推动系统增长的关键驱动力。因此，系统的设计本质上就是为了容纳数百万用户。与图卷积网络 (Graph Convolutional Network, GCN) 和图注意力网络 (Graph Attention Networks，GAT) 相比，这种能力要求从根本上改变 GNN 模型的工作方式。因此，GraphSAGE 自然成为 Uber Eats 和 Pinterest 等科技公司的首选架构。
在本节中，我们将了解 GraphSAGE 的两个主要思想。首先，我们将介绍邻居采样技术，这是 GraphSAGE 可扩展性的核心。然后，我们将探讨用于生成节点嵌入的三种聚合算子。除了原始 GraphSAGE，还将详细介绍 Uber Eats 和 Pinterest 提出的变体架构。最后，使用 PyTorch Geometric 实现 GraphSAGE 架构在 PubMed 数据集上执行节点分