本文的三位作者均来自斯坦福大学计算机系,他们提出一个通用的归纳框架GraphSAGE(空域卷积)。该框架通过从节点的本地邻居中采样和聚集特征来生成嵌入,并且提出了三种不同的聚合邻居特征的方式,这使得卷积的操作更贴近于直观上的CNN。本模型也可以应用于半监督甚至是无监督的任务。
Model
至于Relative work中涉及到的图embedding方法(Node2vec、因子分解机等)就不过多介绍了,直接看模型的原理。按照论文的思路,首先介绍了模型的正向传播方法(假设模型已经被训练并且参数是固定的)。
Embedding generation algorithm
首先假定已经学习了K个聚合函数以及权重矩阵,它用于用于在模型的不同层之间传递信息。算法1在每次迭代或搜索深度时,节点会聚合来自其本地邻居的信息,随着这个过程的迭代,节点会从图的更远处获得越来越多的信息。