论文笔记：Inductive Representation Learning on Large Graphs

一个公众号的推送：https://mp.weixin.qq.com/s/9FlkgAERmIOamPtpIffQLg
论文笔记：https://blog.csdn.net/imark11/article/details/78698844
https://www.aminer.cn/research_report/5d1ef7d47fb2beaed572226b
图计算综述类文章：https://www.jianshu.com/p/872509634a13
其他不错的文章：https://cloud.tencent.com/developer/article/1469804

适用于大规模网络的归纳式（inductive）学习方法-GraphSAGE，能够为新增节点快速生成embedding，而无需额外训练过程。GraphSage 每个节点由其邻域的聚合 (aggregation) 表示。因此，即使图中出现了在训练过程中没有看到的新节点，它仍然可以用它的邻近节点来恰当地表示。GraphSage训练所有节点的每个embedding，还训练一个聚合函数，通过从节点的相邻节点采样和收集特征来产生embedding。本文训练一组aggregator函数来从一个节点的邻节点aggregate特征信息，每个aggregator函数从不同的hops或搜索深度aggregate信息。不同于为每个节点训练独立的embedding，本文训练的是一系列不同深度的聚合函数，学习节点邻居的聚合特征。

算法表示：

主要是对顶点更新k次，每一次顶点v都由邻居顶点的聚合函数来更新。
因此主要的是聚合函数。
论文给出三种聚合函数：

1. Mean aggregator：
   mean aggregator 取一个节点及其所有邻域的潜在向量的平均值。使用此更新方法，原算法可以去掉第五行。
   

2. LSTM aggregator：
   将顶点的邻居排列成随机序列，输入LSTM网络来表达当前顶点v。

3. Pooling aggregator：
   这个运算符在相邻集上执行一个 element-wise 的 pooling 函数。
   max pooling为：

损失函数和大部分图表示的一样，邻居向量相似，加入负采样：

这种损失函数鼓励距离较近的节点具有相似的嵌入，而距离较远的节点则在投影空间中被分离。通过这种方法，节点将获得越来越多的关于其邻域的信息。

其他笔记中值得关注的：