GraphSage 图向量

1 目的和思想

GraphSage 模型的目的：将图的顶点表示为向量
GraphSage 的整体思想：利用邻接点来产生顶点的embedding
GraphSage 属于无监督模型
模型出自论文: Inductive Representation Learning on Large Graphs

2 模型原理

模型实现：

1. 对邻居节点采样，要求采样数量为固定值
2. 利用顶点的邻居特征的第 k-1 层 embedding 来表示第 k 层，再聚集邻居的特征得到顶点的embedding
3. 通过 loss 函数训练参数

2.1 Aggregator Architectures 聚集器架构

2.1.1 Mean aggregator

对邻居特征取均值

2.1.2 LSTM aggregator

将邻居特征输入LSTM，得到第k层特征

2.1.3 Pooling aggregator

有点池化效果，取每个位置的最大值

2.2 loss 函数

3 GraphSage 总结

GraphSage 能够为新增节点快速生成 embedding ，而无需额外训练过程