论文笔记之GraphSAGE
一、本文贡献
- 提出了一个inductive归纳式GraphSAGE方法,能够利用节点特征高效地为未出现过的节点生成节点嵌入embedding.
(Embedding:从原始数据中通过一系列神经网络映射操作后提取出来的低维向量,这些低维向量保持了节点的局部图领域的结构和全局图位置)
- 它的核心是学习一个通过从节点的局部邻域采样和聚合特征来生成嵌入的函数,而不是学习每个节点的具体的嵌入。
二、提出GraphSAGE的主要动机
-
一方面,是为了解决GCN需要对所有节点进行训练才能得到embedding,即需要将整个邻接矩阵和特征矩阵作为输入,这是非常消耗内存的,对于大规模图来说,这种方法更是不可取的。
-
另一方面,GCN训练时需要知道整个图的结构信息包括待预测的节点,这在现实一些任务中也是不能实现的,也就是说无法有效适应动态图中的新增节点的特征,因此提出了GraphSAGE方法来解决。
三、GraphSAGE主要思想
我们利用节点特征来学习可泛化到未知节点的映射函数。通过将节点特征归纳到学习算法中,我们同时学习了每个节点的邻域拓扑结构以及节点特征在邻域中的分布情况。