[个人笔记](GraphSage)Inductive Representation Learning on Large Graphs

该笔记记录于2021.01.06，
于2022.03.08 从本人OneNote/CS笔记/GCN转移到CSDN。

GraphSage讲解

https://zhuanlan.zhihu.com/p/79637787
这篇解读基本完全解答了GraphSage是干啥的。
简单的说，一个图里有很多节点，每个节点之间可能有边。每个节点有自己的特征向量。
网络每一层把节点自己的特征向量和邻居的聚合一下，构成自己下一层的特征向量，特征向量维度不便。
这样，有新节点加入的话，就可以只修改或训练新节点及其邻居，而不用整个图一起修改。

GraphSAGE 是Graph SAmple and aggreGatE的缩写，其运行流程如上图所示，可以分为三个步骤

• 1.对图中每个顶点邻居顶点进行采样：
  • 采样是为了计算效率，每个顶点只随机选k个邻居（邻居不到k个，就有放回的抽取）。当然不考虑效率，也可以用全部邻居
• 2.根据聚合函数聚合邻居顶点蕴含的信息
  • 2.1前向传播
    • 下一层的节点embedding， 等于邻居的上一层的聚合拼接自己的上一层，再乘W再激活
  • 2.2聚合函数的选择
    • mean aggregator：
      • 对每个邻居的特征按元素求平均
      • 或把自己的和邻居的放在一起求平均，这样就不用第五行的拼接了。这个方法类似卷积
    • LSTM aggregator
      • 比mean有更强的表达能力
      • 但不对称（并不是置换不便的。我们的邻居是等价的，但该方法认为不同邻居有先后关系），所以需要先把邻居顺序随机打乱一下
      • 没说具体是咋弄
    • Pooling aggregator
      • 全连接，激活，再max（理论上可以多用几层网络，但本文只弄了一层的）
      • 
• 3.得到图中各顶点的向量表示，供下游人物使用

来自 https://zhuanlan.zhihu.com/p/79637787

graphSage和GCN的区别

至于graphSage和GCN的区别，看这篇：
https://zhuanlan.zhihu.com/p/74242097

说白了都是聚合。
GCN是把整个图拿着一起训练的，所以显得GraphSage更灵活一些。
其实GCN的方法你想弄成单节点训练的话也未必没有办法鸭。

显得就是，GCN直接整个图训练，得到每个节点的embedding。
而GraphSage求的是聚合函数的参数，如果有个新节点的话，直接用这个聚合函数就能求出embedding了。

实现：

图神经网络入门实战GraphSAGE-Tensorflow 2.0实现
来自 https://zhuanlan.zhihu.com/p/149684079