GraphSAGE

啥是GraphSAGE呢？
是一种用于图嵌入的无监督学习方法。
通过采样和聚合邻居节点的信息来生成节点的嵌入表示。
这使得呢，能够在大规模图上运行，并且能够生成未见过的节点的嵌入。

节点采样：

对于每个节点，采样固定数量的邻居节点。
作用：减少计算复杂度，避免了遍历整个图的需求。

聚合（Aggregation）：

对采样到的邻居节点的特征进行聚合、
常见的聚合方法： mean，max,Lstm等

更新（update）：

将当前节点的特征与聚合后的邻居节点特征进行结合，更新当前节点的嵌入表示。

例子：

   A
  / \
 B   C
  \ /
   D

每个节点的特征向量：
A: [1.0, 0.5]
B: [0.5, 1.0]
C: [0.8, 0.8]
D: [1.0, 1.0]

1、 节点采样：

例如我们要生成 节点A 的嵌入，并且每层采样1个邻居节点。
对于节点A 来说，邻居节点是B 和 C
我们将会随机采样其中的一个，假设我们采样的是B

2、聚合：

聚合节点A 的邻居节点B的特征，假设 我们使用的是均值（mean）聚合：
hagg = 聚合特征 = mean(特征(B)) = mean ([0.5, 1.0]) = [0.5, 1.0]，不理解吗？因为这里就采样了一个邻居节点哇。
假设我们采样两个邻居节点，例如我们采样了B和C
那么：
聚合特征= mean(特征(B) +特征（C） = 1/2 *[ [0.5, 1.0], [0.8, 0.8]]=[0.65,0.9]

3、更新：

使用A 的原始特征和聚合特征来更新节点特征。
例如我们这里使用了一个简单的线性变换和激活函数。
hA 指A的原始特征，hagg是A节点的邻居节点的聚合特征。W是自定义权重
h’A = σ（W · concat(hA，hagg)）
concat(hA，hagg) = [1.0, 0.5, 0.5, 1.0]
ok！！！到此就结束了一次更新过程，对于邻居节点C进行相同的操作即可。

总结：

GraphSAGE 通过采样邻居节点并聚合他们的特征来更新每个节点的特征，得以实现在大规模数据上的使用。