PyTorch图神经网络（四）

PyTorch图神经网络（四）

1.GraphSAGE

​ 从这里开始的第三篇，开始将更加偏向实际使用的图神经网络了。GraphSAGE是一种图神经网络架构，旨在处理大型图。

邻居采样：

​ 这里引入了一个基本概念：小批量。在大型图中，我们无法考虑图中的所有信息，因此，我们只能考虑节点以及他的邻居。书中的n跳意思就是走过n条边能够到达的点（这些边可以重复）。因此，每个图神经网络层都是根据节点的邻居计算该节点的嵌入，有n个GNN层就能够计算n跳的邻居。

​ 随着n的增大，n hop得到的邻居数量会迅速增长，因此，GarphSAGE提出了邻居采样，仅采样预定义数量的邻居。这使得聚合在大型图中能够实现。但是，这不是在大型图中融合特征的唯一方法，书中还说了Pinterst公司用随机游走实现了这一点。但本质上，都是通过人为的限制使得采集到的节点数量在能够计算的范围内。

聚合：

​ 上面已经说了如何选择相邻的节点，我们现在只需要知道如何计算嵌入即可。GraphSAGE作者提出了三种方案：

​ 1.均值聚合器

​ 2.长短期记忆（LSTM）聚合器

​ 3.池化聚合器

​ 还有其他更多的聚合器，但目的都是聚合相邻节点的嵌入来产生当前节点的嵌入。

​ 在书中对PubMed数据集进行分类训练的时候，是用邻居采样得到小型的图输入到网络中，预测中心点的类别；最终推理的时候把整张图都输入到网络中来预测每一个点的类别。

​ 后面关于蛋白质数据集的分类，虽然是多标签的数据集，但是本质和单标签的数据集一样，并且都是对节点进行分类，所以看懂代码就行了，重点是理解邻居采样和聚合的过程。