GraphSAGE: GCN落地必读论文

原文链接: https://aiprocon.csdn.net/

GraphSAGE: GCN落地必读论文_第1张图片


作者 | William L. Hamilton, Rex Ying, Jure Leskovec
来源 | NIPS17

导读:图卷积网络(Graph Convolutional Network,简称GCN)最近两年大热,取得不少进展。作为 GNN 的重要分支之一,很多同学可能对它还是一知半解。PinSAGE( PinSage: 第一个基于 GCN 的工业级推荐系统)为 GCN 落地提供了实践经验,而本文是 PinSAGE 的理论基础,同样出自斯坦福,是 GCN 非常经典和实用的论文。


论文链接: Inductive Representation Learning on Large Graphs https://papers.nips.cc/paper/6703-inductive-representation-learning-on-large-graphs.pdf


1. 概括


在大规模图上学习节点 embedding ,在很多任务中非常有效,如学习节点拓扑结构的 DeepWalk 以及同时学习邻居特征和拓扑结构的 semi-GCN 。


但是现在大多数方法都是直推式学习, 不能直接泛化到未知节点。这些方法是在一个固定的图上直接学习每个节点 embedding ,但是大多情况图是会演化的,当网络结构改变以及新节点的出现,直推式学习需要重新训练(复杂度高且可能会导致 embedding 会偏移),很难落地在需要快速生成未知节点embedding的机器学习系统上。


本文提出归纳学习— GraphSAGE(Graph SAmple and aggreGatE) 框架,通过训练聚合节点邻居的函数(卷积层),使 GCN 扩展成归纳学习任务,对未知节点起到泛化作用。

直推式 ( transductive ) 学习:从特殊到特殊,仅考虑当前数据。在图中学习目标是学习目标是直接生成当前节点的 embedding,例如 DeepWalk、LINE,把每个节点 embedding 作为参数,并通过 SGD 优化,又如 GCN,在训练过程中使用图的拉普拉斯矩阵进行计算。


归纳 ( inductive ) 学习:平时所说的一般的机器学习任务,从特殊到一般:目标是在未知数据上也有区分性。


2.GraphSAGE框架


本文提出 GraphSAGE 框架的核心是如何聚合节点邻居特征信息,本章先介绍 GraphSAGE 前向传播过程(生成节点 embedding ),不同的聚合函数设定;然后介绍无监督和有监督的损失函数以及参数学习


2.1 前向传播


a. 可视化例子:下图是 GraphSAGE 生成目标节点(红色)embededing 并供下游任务预测的过程:


GraphSAGE: GCN落地必读论文_第2张图片


  1. 先对邻居随机采样,降低计算复杂度(图中一跳邻居采样数=3,二跳邻居采样数=5)

  2. 生成目标节点 emebedding:先聚合 2 跳邻居特征,生成一跳邻居 embedding ,再聚合一跳邻居embedding,生成目标节点embedding,从而获得二跳邻居信息。(后面具体会讲)。

  3. 将 embedding 作为全连接层的输入,预测目标节点的标签。


b. 伪代码:

GraphSAGE: GCN落地必读论文_第3张图片


4-5 行是核心代码,介绍卷积层操作:聚合与节点v相连的邻居(采样)k-1 层的 embedding,得到第 k 层邻居聚合特征  ,与节点 v 第 k-1 层 embedding  拼接,并通过全连接层转换,得到节点 v 在第 k 层的 embedding  。


2.2 聚合函数


伪代码第 5 行可以使用不同聚合函数,本小节介绍五种满足排序不变量的聚合函数:平均、GCN 归纳式、LSTM、pooling 聚合器。(因为邻居没有顺序,聚合函数需要满足排序不变量的特性,即输入顺序不会影响函数结果)


a.平均聚合:先对邻居 embedding 中每个维度取平均,然后与目标节点embedding 拼接后进行非线性转换。



b. 归纳式聚合:直接对目标节点和所有邻居 emebdding 中每个维度取平均(替换伪代码中第5、6行),后再非线性转换:



c. LSTM 聚合:LSTM 函数不符合“排序不变量”的性质,需要先对邻居随机排序,然后将随机的邻居序列 embedding  作为 LSTM 输入。


GraphSAGE: GCN落地必读论文_第4张图片



d. Pooling 聚合器:先对每个邻居节点上一层 embedding 进行非线性转换(等价单个全连接层,每一维度代表在某方面的表示(如信用情况)),再按维度应用  max/mean pooling ,捕获邻居集上在某方面的突出的/综合的表现 以此表示目标节点 embedding 。



2.3 无监督和有监督损失设定


损失函数根据具体应用情况,可以使用基于图的无监督损失和有监督损失。


a. 基于图的无监督损失:希望节点 u 与“邻居”v 的 embedding 也相似(对应公式第一项),而与“没有交集”的节点  不相似(对应公式第二项)。


640?wx_fmt=png


  •  为节点 u 通过 GraphSAGE 生成的 embedding 。

  • 节点 v 是节点 u 随机游走访达“邻居”。

  •  表示负采样:节点  是从节点u的负采样分布  采样的,Q 为采样样本数。

  • embedding 之间相似度通过向量点积计算得到


b. 有监督损失:无监督损失函数的设定来学习节点 embedding 可以供下游多个任务使用,若仅使用在特定某个任务上,则可以替代上述损失函数符合特定任务目标,如交叉熵。


2.4 参数学习


通过前向传播得到节点 u 的 embedding  ,然后梯度下降(实现使用 Adam 优化器) 进行反向传播优化参数  和聚合函数内参数。


3.实验


3.1 实验目的


  1. 比较 GraphSAGE 相比 baseline 算法的提升效果;

  2. 比较 GraphSAGE 的不同聚合函数。


3.2 数据集及任务


  1. Citation 论文引用网络(节点分类)

  2. Reddit web 论坛 (节点分类)

  3. PPI 蛋白质网络 ( graph 分类)


3.3 比较方法


  1. 随机分类器

  2. 手工特征(非图特征)

  3. deepwalk(图拓扑特征)

  4. deepwalk+手工特征

  5. GraphSAGE 四个变种 ,并无监督生成 embedding 输入给 LR 和端到端有监督

(分类器均采用 LR )


3.4 GraphSAGE 设置


  • K=2,聚合两跳内邻居特征

  • S1=25,S2=10:对一跳邻居抽样 25 个,二跳邻居抽样 10 个

  • RELU 激活单元

  • Adam 优化器

  • 对每个节点进行步长为 5 的 50 次随机游走

  • 负采样参考 word2vec,按平滑 degree 进行,对每个节点采样 20 个。

  • 保证公平性:所有版本都采用相同的 minibatch 迭代器、损失函数、邻居抽样器。


3.5 运行时间和参数敏感性


  1. 计算时间:下图A中 GraphSAGE 中 LSTM 训练速度最慢,但相比DeepWalk,GraphSAGE 在预测时间减少 100-500 倍(因为对于未知节点,DeepWalk 要重新进行随机游走以及通过 SGD 学习 embedding )

  2. 邻居抽样数量:下图 B 中邻居抽样数量递增,边际收益递减(F1),但计算时间也变大。平衡 F1 和计算时间,将 S1 设为 25 。

  3. 聚合K跳内信息:在 GraphSAGE, K=2 相比 K=1 有 10-15% 的提升;但将 K 设置超过 2 ,边际效果上只有 0-5% 的提升,但是计算时间却变大了 10-100 倍。


GraphSAGE: GCN落地必读论文_第5张图片

3.6 效果


  1. GraphSAGE 相比 baseline 效果大幅度提升

  2. GraphSAGE 有监督版本比无监督效果好。

  3. LSTM 和 pool 的效果较好


GraphSAGE: GCN落地必读论文_第6张图片

原文链接:https://zhuanlan.zhihu.com/p/62750137

(*本文为 AI科技大本营转载文章,转载请联系作者)


精彩推荐



AI ProCon 2019 邀请到了亚马逊首席科学家@李沐,在大会的前一天(9.5)亲授「深度学习实训营」,通过动手实操,帮助开发者全面了解深度学习的基础知识和开发技巧。  GraphSAGE: GCN落地必读论文_第7张图片
9大技术论坛、60+主题分享,百余家企业、千余名开发者共同相约 2019 AI ProCon!技术驱动产业,聚焦技术实践,倾听大牛分享,和万千开发者共成长。 5折优惠票抢购中!
GraphSAGE: GCN落地必读论文_第8张图片

社群福利

扫码添加小助手,回复:大会,加入2019 AI开发者大会福利群,每周一、三、五 更新学习资源、技术福利,还有抽奖活动~

GraphSAGE: GCN落地必读论文_第9张图片


推荐阅读
  •   最前沿:堪比E=mc2,Al-GA才是实现AGI的指标性方法论

  • 1万+字原创读书笔记,机器学习的知识点全在这篇文章里

  • 开源之战

  • 别再造假数据了,来试试Faker这个库吧!

  • 国外大神制作的超棒NumPy可视化教程

  • 突发!Python再次第一,Java和C下降,凭什么?

  • 白话中台战略:中台是个什么鬼?

  • 伟创力回应扣押华为物资;谷歌更新图片界面;Python 3.8.0b3 发布 | 极客头条

  • 沃尔玛也要发币了,Libra忙活半天为他人做了嫁衣?


640?wx_fmt=png 你点的每个“在看”,我都认真当成了喜欢

你可能感兴趣的:(GraphSAGE: GCN落地必读论文)