GraphSAGE

GraphSAGE与GCN对比

GraphSAGE（Graph Sample and Aggregated）相对于传统的GCN（Graph Convolutional Network）在图卷积网络领域引入了一些创新，主要集中在节点采样和信息聚合方面：
一方面是通过采样邻居的策略将GCN由全图（full batch）的训练方式改造成以节点为中心的小批量（mini batch）训练方式，这使得大规模图数据的分布式训练成为可能；
另一方面是该算法对聚合邻居的操作进行了拓展，提出了替换GCN操作的几种新的方式。

朴素GraphSAGE

K：遍历的深度
v ∈V 表示遍历所有的节点
u∈N(v)表示v的neighbor。将v所有的邻居u的向量表示h^k-1_u做一个聚合，得到第k层聚合的邻居的特征向量：h^k_N(v)。
然后将得到的第k层的邻居的特征的向量h^k_N(v)与当前节点v的第k-1层的特征向量拼接在一起，乘一个权重，乘激活函数，得到当前节点v在第k层的特征向量表示。
第7行表示对节点的特征向量做一个归一化处理。

MiniBatch版本

GCN是使用全图的信息。小批量就是使用子图而不是全部的图。

第k层：最终选择的minibatch版本
B迭代的过程和正常理解相反：如果一共K的深度为2，则初始状态为B², 然后为B¹, 最后为B⁰。
1行将初始状态赋值为B^k
2行遍历所有的深度。遍历完一层少一层
3行将B^k赋值给B^k-1，方便后续B^k-1操作。
4行将B^k-1聚合自己的邻居信息（如果又），得到新的B^k-1。

采用minibatch版本

train_mask:训练集的mask向量,标识哪些节点属于训练集。