GraphSage模型解析

图卷积网络（GCN）的计算可以分为基于频域（Spectural）和基于空域（Spatial）两种方式。

频域方法：

图的频域卷积是在傅里叶空间完成的，我们对图的拉普拉斯矩阵进行特征值分解，特征分解更有助于我们理解图的底层特征，能够更好的找到图中的簇或者子图，典型的频域方法有ChebNet，GCN等。但是图的特征值分解是一个特别耗时的操作，具有 [公式] 的复杂度，很难扩展到海量节点的场景中。

空域方法：

空间方法作用于节点的邻居节点，使用$K$ 个邻居节点来计算当前节点的属性。基于空域的方法的计算量要比频域方法小很多，时间复杂度约为 $O(|E|d)$，本文要介绍的GraphSAGE就是经典的基于空域的图模型。

这里要介绍的GraphSAGE[1]是一个经典的基于空域的算法，它从两个方面对传统的GCN做了改进：

一是在训练时的，采样方式将GCN的全图采样优化到部分以节点为中心的邻居抽样，这使得大规模图数据的分布式训练成为可能，并且使得网络可以学习没有见过的节点，这也使得GraphSAGE可以做归纳学习（Inductive Learning）。

二是GraphSAGE研究了若干种邻居聚合的方式，并通过实验和理论分析对比了不同聚合方式的优缺点。

算法详解

GraphSAGE的算法核心是将整张图的采样优化到当前邻居节点的采样，因此我们从邻居采样和邻居聚合两个方面来对GraphSAGE进行解释。

在GraphSAGE之前的GCN模型中，都是采用的全图的训练方式，也就是说每一轮的迭代都要对全图的节点进行更新，当图的规模很大时，这种训练方式无疑是很耗时甚至无法更新的。mini-batch的训练时深度学习一个非常重要的特点，那么能否将mini-batch的思想用到GraphSAGE中呢，GraphSAGE提出了一个解决方案。它的流程大致分为3步：

1. 对邻居进行随机采样，每一跳抽样的邻居数不多于 $S_k$ 个，如图1.2第一跳采集了3个邻居，第二跳采集了5个邻居；
2. 生成目标节点的embedding：先聚合二跳邻居的特征，生成一跳邻居的embedding，再聚合一跳的embedding，生成目标节点的embedding；
3. 将目标节点的embedding输入全连接网络得到目标节点的预测值。

从上面的介绍中我们可以看出，GraphSAGE的思想就是不断的聚合邻居信息，然后进行迭代更新。随着迭代次数的增加，每个节点的聚合的信息几乎都是全局的.

邻居的定义：

这里作者的做法是设置一个定值，每次选择邻居的时候就是从周围的直接邻居（一阶邻居）中均匀地采样固定个数个邻居。

随着迭代，可以聚合越来越远距离的信息

作者发现，K不必取很大的值，当K=2时，效果就很好了，也就是只用扩展到2阶邻居即可。例如在现实生活中，对你影响最大就是亲朋好友，这些属于一阶邻居，然后可能你偶尔从他们口中听说一些他们的同事、朋友的一些故事，这些会对你产生一定的影响，这些人就属于二阶邻居。但是到了三阶，可能基本对你不会产生什么影响了。你所接触到的、听到的、看到的，基本都在“二阶”的范围之内。

思考 & GCN

GCN公式：

美化版：

中间这个A帽子，就是上面丑公式中的那一大串东西。对A帽子的理解，其实它就是邻接矩阵A做的一个归一化。下面为了表达的方便，我直接当做邻接矩阵来分析吧！H是节点的每一层的特征矩阵。
这个公式的内部，画成矩阵相乘的形式是这样的：

其中，A是n×n维，H是n×m维，W则是m×u维。n就是节点个数，m则是节点特征的维度，u就是神经网络层的单元数。
先看看A乘以H是个啥意思：

A帽子矩阵的第i行和H矩阵的第j列对应元素相乘在求和就得到Q矩阵的(i,j)个元素。 这都是最基本的线性代数了，但我们不妨再仔细看看我图中高亮的那几个向量的内部：

这个图说的明明白白，所以我们发现，GCN的这一步，跟GraphSAGE是一样的思想，都是把邻居的特征做一个聚合（aggregation）。

所以，都是一个词——Aggregate！Aggregate就完事儿了。
这也是为什么GraphSAGE的作者说，他们的mean-aggregator跟GCN十分类似。
在GCN中，是直接把邻居的特征进行求和，而实际不是A跟H相乘，而是A帽子，A帽子是归一化的A，所以实际上我画的图中的邻居关系向量不应该是0,1构成的序列，而是归一化之后的结果，所以跟H的向量相乘之后，相当于是“求平均”。
GraphSAGE进一步拓展了“聚合”的方法，提出了LSTM、Pooling等聚合方式，不是简单地求平均，而是更加复杂的组合方式，所以有一些效果的提升也是在情理之内的。

其实，通过GraphSAGE得到的节点的embedding，在增加了新的节点之后，旧的节点也需要更新，这个是无法避免的，因为，新增加点意味着环境变了，那之前的节点的表示自然也应该有所调整。只不过，对于老节点，可能新增一个节点对其影响微乎其微，所以可以暂且使用原来的embedding，但如果新增了很多，极大地改变的原有的graph结构，那么就只能全部更新一次了。从这个角度去想的话，似乎GraphSAGE也不是什么“神仙”方法，只不过生成新节点embedding的过程，实施起来相比于GCN更加灵活方便了。

参考1：https://zhuanlan.zhihu.com/p/74242097
参考2：https://zhuanlan.zhihu.com/p/336195862