图神经网络论文阅读(三) Inductive Representation Learning on Large Graphs，NIPS2017

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。