GraphSAGE小结

参考论文：Inductive Representation Learning on Large Graphs

参考博客：https://blog.csdn.net/yyl424525/article/details/100532849

What is GraphSAGE？

MotIvation: 先前的工作如GCN等，需要把所有节点输入网络进行训练才能得到结点的embedding，对于新加入的节点，未能快速产生它的embedding.

Idea: 作者提出一种新的产生节点embedding的思路：直接学习一种产生节点embedding的方法，对于单个节点，通过聚合其邻居结点的信息来获得自身的embedding.

Algorithm: 具体算法如下：

产生embedding Z 的步骤包括两步：

（1）采样邻居：对邻居进行随机采样（设置采样倍率为超参数，控制每层节点数，节省运算成本）

（2）聚合：

代码第4行：要想得到某个中心节点 v 第k层的邻居特征 ，就需要聚合其在k-1层的邻居特征，依次类推（0层的特征为  )，最终完成对每个节点邻居特征的整合输出。

代码第5行：将聚合后的邻居特征与中心节点上一层的特征进行拼接，然后送到一个单层网络里面得到中心节点新的特征向量。

代码第7行：对节点的特征向量进行归一化处理。

关于聚合函数（Aggregator）的选择：

(1)平均/加和（mean/sum）聚合算子；（2）池化（pooling）聚合算子；（3）LSTM聚合算子

聚合操作需满足：1.对节点数量的自适应性：无论邻居数量如何变化，聚合输出维度必须一致；2.对聚合节点具有排列不变性：不论节点排列顺序如何，输出结果必须一样；3.聚合操作必须可导。

实验部分详见论文。