GraphSAGE

GraphSAGE

之前所接触的都是直推式学习，也就是仅仅考虑了当前数据，直接计算出节点的embedding，一旦数据变更后，则需要重新训练。

而GraphSAGE则是一种归纳式学习，也就是说它的目标是训练得到权重矩阵的参数。

计算节点 \(v\) 第 \(k\) 层的 embedding 流程为：
1、首先聚合 \(v\) 的邻居节点的第 \(k-1\) 层的 embedding，得到 \(\textbf{h}_{\mathcal{N} (v)}^k\)。
2、将 \(v\) 节点第 \(k-1\) 层的 embedding 和 \(\textbf{h}_{\mathcal{N} (v)}^k\) 做CONCAT 操作。

该模型采用固定采样，规定了每一层采样邻居的个数。在具体实现中，可以采用不同的聚合函数，如 Mean aggregator，LSTM aggregator，Pooling aggregator 等。

该模型的优势是计算的时候不需要全图的信息，只需要采样节点的信息，而不像GCN每次计算都需要全图的矩阵，在大规模图上更有优势。

最终的损失函数定义为：

其中 \(v_n\sim P_n(v)\) 表示负采样，节点 \(v_n\) 是从节点 \(u\) 的负采样分布 \(P_n(v)\) 采样的，\(Q\) 为采样样本数。