图神经网络研讨会（空间方法图卷积-GraphSAGE-NeuraIPS 2017）

沈华伟老师（中科院）

Spatial methods for graph convolutional neural networks

邮件：shenhuawei@ict.ac.c
微博: 沈华伟_ICT

1.GraphSAGE

W. L. Hamilton, R. Ying, J. Leskovec. Inductive Representation Learning on Large Graphs. NeuraIPS 2017

原理

GraphSAGE是一种能够利用顶点的属性信息高效产生未知顶点embedding的一种归纳式(inductive)学习的框架。

其核心思想是通过学习一个对邻居顶点进行聚合表示的函数来产生目标顶点的embedding向量

运行步骤

1.对图中每个顶点邻居顶点进行采样

2.根据聚合函数聚合邻居顶点蕴含的信息

3.得到图中各顶点的向量表示供下游任务使用

采样

出于对计算效率的考虑，对每个顶点采样一定数量的邻居顶点作为待聚合信息的顶点。设采样数量为S，若顶点邻居数少于S,则采用有放回的抽样方法，直到采样出S个顶点。若顶点邻居数大于S，则采用无放回的抽样。

当然，若不考虑计算效率，我们完全可以对每个顶点利用其所有的邻居顶点进行信息聚合，这样是信息无损的。

3. 聚合器 (Aggregator)

参数学习

注：关于负采样

负采样分布指某种分布类型，一般采用均匀分布；
负采样的数量 Q一般等于 总的样本数/正样本数
embedding之间相似度通过向量点积计算得到。